用于 3D LiDAR 异常分割的无分布目标识别
计算机视觉与模式识别
2026-04-28 v1 机器人学
摘要
理解周围环境是自动驾驶和机器人感知的基本任务。区分已知类别和先前未出现的目标在现实环境中至关重要，正如异常分割中所做的那样。然而，3D 领域的研究仍有限，大多数现有方法将 2D 视觉中的后处理技术应用于 3D 数据。为填补这一空白，我们提出了一种直接在特征空间中运行的高效方法，建模内类特征分布以约束异常样本。此外，唯一公开的 3D LiDAR 异常分割数据集包含简单场景，异常实例较少，且因传感器分辨率存在严重的域间隙。为弥合这一差距，我们引入了一套混合真实-合成数据集，用于 3D LiDAR 异常分割，基于 established 语义分割基准构建，包含多个无分布目标和多样化、复杂的环境。大量实验表明，我们的方法在现有真实世界数据集和新引入的混合数据集上分别实现了最先进和竞争性成绩，验证了方法有效性以及所提数据集的实用性。代码和数据集可在 https://simom0.github.io/lido-page/ 获取。
引用
@article{arxiv.2604.23604,
title = {Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation},
author = {Simone Mosco and Daniel Fusaro and Alberto Pretto},
journal= {arXiv preprint arXiv:2604.23604},
year = {2026}
}
备注
This paper has been accepted at the 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)