基于去噪扩散概率模型的 LiDAR 点云图像生成
计算机视觉与模式识别
2025-09-24 v1 人工智能
摘要
自动驾驶车辆（AVs）有望通过提高效率和安全性来彻底改变交通运输。它们的成功依赖于能够有效感知环境并检测交通智能体的 3D 视觉系统。在 AVs 用于创建周围环境综合视图的传感器中，LiDAR 提供高分辨率深度数据，能够实现精确的物体检测、安全导航和避碰。然而，收集真实世界的 LiDAR 数据非常耗时，并且由于恶劣天气或传感器限制，往往受到噪声和稀疏性的影响。本研究应用了去噪扩散概率模型（DDPM），并辅以新颖的噪声调度和时间步嵌入技术来生成高质量的合成数据以进行数据增强，从而提升一系列计算机视觉任务的性能，特别是在 AV 感知方面。这些修改影响了去噪过程和模型的时间感知能力，使其能够基于投影产生更逼真的点云。所提出的方法使用 IAMCV 和 KITTI-360 数据集在各种配置下进行了广泛评估，并使用四项性能指标与现有最先进（SOTA）方法进行了比较。结果表明，该模型在大多数现有基线上表现出优越的性能，并且在减轻噪声和稀疏 LiDAR 数据的影响方面非常有效，能够生成具有丰富空间关系和结构细节的多样化点云。
关键词
引用
@article{arxiv.2509.18917,
title = {LiDAR Point Cloud Image-based Generation Using Denoising Diffusion Probabilistic Models},
author = {Amirhesam Aghanouri and Cristina Olaverri-Monreal},
journal= {arXiv preprint arXiv:2509.18917},
year = {2025}
}