移动激光扫描点云的点级不确定性评估
计算机视觉与模式识别
2025-10-30 v1 机器学习
机器人学
图像与视频处理
摘要
可靠地量化移动激光扫描（MLS）点云的不确定性对于确保下游应用（如 3D 制图、建模和变化分析）的准确性和可信度至关重要。传统的反向不确定性建模严重依赖高精度的参考数据，而这类数据在大规模场景下往往昂贵或难以获取。为此，本研究提出一种基于机器学习的点级不确定性评估框架，通过学习局部几何特征与点级误差之间的关系来实现不确定性评估。该框架采用两种集成学习模型：随机森林（RF）和 XGBoost，这些模型在由空间分区的真实世界数据集上进行训练和验证，以避免数据泄漏。实验结果表明，两种模型均能有效捕捉几何特征与不确定性之间非线性关系，平均 ROC-AUC 值均超过 0.87。进一步分析表明，描述海拔变化、点密度和局部结构复杂性的几何特征在预测不确定性方面起主导作用。该提出的方法提供了一种数据驱动的不确定性评估视角，为大规模点云的后续质量控制和误差分析提供了可扩展且可适应的基础。
引用
@article{arxiv.2510.24773,
title = {Point-level Uncertainty Evaluation of Mobile Laser Scanning Point Clouds},
author = {Ziyang Xu and Olaf Wysocki and Christoph Holst},
journal= {arXiv preprint arXiv:2510.24773},
year = {2025}
}