基于反射率预测的知识蒸馏用于压缩点云中的鲁棒3D目标检测
计算机视觉与模式识别
2026-02-27 v2
摘要
关于智能交通系统，低比特率传输通过有损点云压缩对于在受限带宽下促进连接代理（如车辆和基础设施）之间的实时协作感知至关重要。在现有的压缩传输系统中，发送方有损压缩点坐标和反射率以生成传输码流，这面临来自反射率编码的传输负担以及因信息丢失导致的有限检测鲁棒性。为解决这些问题，本文提出了一种基于反射率预测知识蒸馏（RPKD）的3D目标检测框架。我们在低比特率传输期间压缩点坐标并丢弃反射率，将解码后的无反射率压缩点云输入学生检测器。丢弃的反射率随后由学生检测器内的基于几何的反射率预测（RP）模块重建，以实现精确检测。与学生检测器结构相同的教师检测器被设计用于从原始点云到压缩点云执行反射率知识蒸馏（RKD）和检测知识蒸馏（DKD）。我们的跨源蒸馏训练策略（CDTS）使学生检测器具备对低质量压缩数据的鲁棒性，同时通过传递的蒸馏知识保留原始数据的精度优势。在 KITTI 和 DAIR-V2X-V 数据集上的实验结果证明，我们的方法可以在多个码率下提升压缩点云的检测精度。代码将在 https://github.com/HaoJing-SX/RPKD 公开发布。
引用
@article{arxiv.2505.17442,
title = {Reflectance Prediction-based Knowledge Distillation for Robust 3D Object Detection in Compressed Point Clouds},
author = {Hao Jing and Anhong Wang and Yifan Zhang and Donghan Bu and Junhui Hou},
journal= {arXiv preprint arXiv:2505.17442},
year = {2026}
}