L2RDaS：通过数据集扩展合成4D雷达张量以实现模型泛化
计算机视觉与模式识别
2025-05-23 v2 图像与视频处理
摘要
四维（4D）雷达因其恶劣天气条件下的鲁棒性，正越来越多地应用于自动驾驶感知任务。为了更好地利用4D雷达数据中固有的空间信息，近期深度学习方法已从使用稀疏点云转向4D雷达张量。然而，公开可用的4D雷达张量数据集的稀缺性限制了模型在不同驾驶场景中的泛化能力。先前的研究通过合成雷达数据来解决此问题，但其输出未能充分利用4D雷达的空间信息特征。为克服这些限制，我们提出了 LiDAR 到 4D 雷达数据合成（L2RDaS）框架，该框架从现有自动驾驶数据集中的 LiDAR 数据合成具有空间信息的 4D 雷达张量。L2RDaS 集成了改进的 U-Net 架构以有效捕获空间信息，以及目标信息补充（OBIS）模块以增强反射保真度。该框架能够在无需额外传感器部署或数据采集的情况下，在多样化驾驶场景中合成雷达张量。L2RDaS 通过以合成雷达张量扩展真实数据集来提升模型泛化能力，在三个检测模型上 AP_BEV 平均提升 4.25%，AP_3D 平均提升 2.87%。此外，L2RDaS 支持真实值增强（GT-Aug），通过将标注目标嵌入 LiDAR 数据并合成为雷达张量，进一步使 AP_BEV 平均提升 3.75%，AP_3D 平均提升 4.03%。代码实现将在 https://github.com/kaist-avelab/K-Radar 上发布。
引用
@article{arxiv.2503.03637,
title = {L2RDaS: Synthesizing 4D Radar Tensors for Model Generalization via Dataset Expansion},
author = {Woo-Jin Jung and Dong-Hee Paek and Seung-Hyun Kong},
journal= {arXiv preprint arXiv:2503.03637},
year = {2025}
}
备注
9 pages, 3 figures, Arxiv preprint