DenoiseCP-Net：基于联合 LiDAR 3D 对象检测与去噪的抗气象环境集体感知
计算机视觉与模式识别
2025-07-10 v1
摘要
虽然自动驾驶车辆有潜力显著减少交通事故，但其感知系统仍然容易受到恶劣天气和环境遮挡导致的传感器降级。集体感知技术允许车辆共享信息，为克服这些限制提供了有前景的解决方法。然而，迄今为止集体感知在恶劣天气条件下的研究仍属空白。因此，我们进行了恶劣天气条件下基于 LiDAR 的集体感知的首次研究，并提出了一种新型的多任务架构，用于恶劣天气条件下的 LiDAR 集体感知。恶劣天气条件不仅会降低感知能力，还会由于引入的噪声导致带宽要求和延迟增加。因此，我们提出了 DenoiseCP-Net，这是一个用于恶劣天气条件下的 LiDAR 集体感知的新型多任务架构。DenoiseCP-Net 将体素级噪声过滤和目标检测集成到一个统一的稀疏卷积主干网络中，消除两个阶段管道中冗余的计算。这一设计不仅减少了推理延迟和计算成本，还通过移除非信息性噪声最小化了通信开销。我们通过模拟雨、雪和雾的真实天气模型扩展了著名的 OPV2V 数据集。我们演示了 DenoiseCP-Net 在恶劣天气条件下几乎实现了准确的去噪效果，在保持相同检测精度的同时，将带宽要求降低了最高 23.6%，并减少了合作车辆的推理延迟。
引用
@article{arxiv.2507.06976,
title = {DenoiseCP-Net: Efficient Collective Perception in Adverse Weather via Joint LiDAR-Based 3D Object Detection and Denoising},
author = {Sven Teufel and Dominique Mayer and Jörg Gamerdinger and Oliver Bringmann},
journal= {arXiv preprint arXiv:2507.06976},
year = {2025}
}