Ghost-FWL：用于幽灵检测与移除的大规模全波形 LiDAR 数据集
计算机视觉与模式识别
2026-03-31 v1
摘要
LiDAR 已成为自动驾驶、机器人和智慧城市应用中的关键感知模态。然而，幽灵点 (ghost points)——由玻璃和反射表面的多路径激光返回引起的虚假反射——严重影响 3D 地图和定位精度。先前的幽灵消除方法依赖于稠密点云中的几何一致性，难以处理 mobile LiDAR 的稀疏动态数据。我们通过利用全波形 LiDAR (FWL) 捕获完整时间强度轮廓而非仅捕获峰值距离，提供关键线索以区分幽灵与真实反射。由于这是一项新任务，我们提出 Ghost-FWL，即首个且规模最大的注释 mobile FWL 数据集，用于幽灵检测与移除。Ghost-FWL 包含 24K 帧数据，覆盖 10 个多样化场景，拥有 75 亿条峰值级注释，规模是现有注释 FWL 数据集的 100 倍。凭借这一大规模数据集，我们建立了一个 FWL 基线模型用于幽灵检测，提出 FWL-MAE 用于 FWL 数据的高效自监督表征学习。实验表明，基线模型在幽灵消除精度上优于现有方法，幽灵消除进一步提升下游任务，如 LiDAR 基于 SLAM（轨迹误差降低 66%）和 3D 对象检测（误报降低 50 倍）。数据集和代码已公开，可通过项目页面 https://keio-csg.github.io/Ghost-FWL 访问。
引用
@article{arxiv.2603.28224,
title = {Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal},
author = {Kazuma Ikeda and Ryosei Hara and Rokuto Nagata and Ozora Sako. Zihao Ding and Takahiro Kado and Ibuki Fujioka and Taro Beppu and Mariko Isogawa and Kentaro Yoshioka},
journal= {arXiv preprint arXiv:2603.28224},
year = {2026}
}
备注
Accepted to CVPR 2026 (Main)