LODE：基于稀疏LiDAR的局部条件Eikonal隐式场景补全
计算机视觉与模式识别
2023-02-28 v1
摘要
场景补全指从对复杂3D场景的不完整感知中获取稠密场景表示。这有助于机器人在自动驾驶等场景中检测多尺度障碍物并分析物体遮挡。近期进展表明，隐式表示学习可利用Eikonal方程等物理约束实现连续场景补全。然而，此前的Eikonal补全方法仅在数十个水密网格的尺度上展示结果，无一成功应用于数千个开放大场景的非水密LiDAR点云。本文提出一种新颖的Eikonal公式，将隐式表示条件化于局部形状先验(其充当稠密边界值约束)，并证明其在SemanticKITTI与SemanticPOSS上有效。它也可通过对网络架构的微小修改扩展至语义Eikonal场景补全。借助大量定量与定性结果，我们展示了现有Eikonal方法的优劣，这自然引出了新的局部条件公式。值得注意的是，我们在SemanticKITTI上将IoU从31.7%提升至51.2%，在SemanticPOSS上从40.5%提升至48.7%。我们广泛消融了我们的方法，并证明所提公式对广泛实现超参数具有鲁棒性。代码与模型公开于 https://github.com/AIR-DISCOVER/LODE。
引用
@article{arxiv.2302.14052,
title = {LODE: Locally Conditioned Eikonal Implicit Scene Completion from Sparse LiDAR},
author = {Pengfei Li and Ruowen Zhao and Yongliang Shi and Hao Zhao and Jirui Yuan and Guyue Zhou and Ya-Qin Zhang},
journal= {arXiv preprint arXiv:2302.14052},
year = {2023}
}
备注
Accepted by ICRA 2023. Code: https://github.com/AIR-DISCOVER/LODE. arXiv admin note: substantial text overlap with arXiv:2111.14798