缺失值对基于范围图像的点云分割影响

点云分割（PCS）在机器人感知与导航任务中发挥着关键作用。为了高效处理大规模户外点云，常采用其范围图像表示。这种图像式表示紧凑且结构化，使其基于范围图像的PCS模型具有实际应用价值。然而，范围图像中的不可接受缺失值损害了物体的形状和模式，导致模型难以从物体中学习到连贯且完整的几何信息，从而使PCS模型仅能实现性能平淡。深入分析此问题，我们发现不合理的投影方法和扫描反位移扫描主要导致范围图像中产生不可接受的缺失值。此外，几乎所有以往工作都未考虑在PCS任务中填补意外缺失值的需求。为缓解此问题，我们首先提出一种新投影方法，即扫描展开++（SU++），以避免生成范围图像中的大量缺失值。随后，我们引入一种简单而有效的方法，即基于范围的K近邻插值（KNNI），进一步填补缺失值。最后，我们提出填充缺失值网络（FMVNet）和快速FMVNet。大量实验结果表明，采用所提出的SU++和KNNI，现有基于范围图像的PCS模型在SemanticKITTI、SemanticPOSS和nuScenes数据集上 consistently 实现 better performance than baseline models。此外，FMVNet和FastFMVNet在速度-精度权衡方面实现了最先进的性能。所提出的方法可应用于其他基于范围图像的任务和实际应用。