通过激光雷达图像着色与超分辨率增强激光雷达点云采样

激光雷达技术的最新进展提高了点云分辨率，并通过在每个像素内编码深度、反射率或近红外光生成了 360 度低分辨率图像。这些图像使得原本为相机 RGB 图像开发的深度学习方法能够应用于纯激光雷达系统，从而省去了激光雷达-相机标定等其他工作。与传统的 RGB 图像相比，激光雷达图像在低光照和雾天等恶劣环境条件下表现出更强的鲁棒性。此外，这种成像能力解决了点云中几何信息可能退化的环境（如长走廊）中的挑战，以及密集点云可能产生误导并导致漂移误差的问题。因此，本文提出了一种新颖的框架，该框架利用基于深度学习的着色和超分辨率技术处理激光雷达图像，以从激光雷达点云中提取可靠的样本用于里程计估计。增强后的激光雷达图像因附加信息而丰富了内容，有助于改进关键点检测，随后用于更有效的点云下采样。所提出的方法提高了点云配准精度，并减少了因几何信息不足或误导性额外点引起的不匹配。实验结果表明，我们的方法超越了先前的方法，在使用更少点的情况下实现了更低的平移和旋转误差。