基于相对能量学习的LiDAR离群分布检测
计算机视觉与模式识别
2025-11-12 v2
摘要
离群分布（out-of-distribution, OOD）检测是可靠自动驾驶的关键要求，安全性取决于识别道路障碍物和训练分布之外的意外目标。尽管广泛研究LiDAR点云的2D图像OOD检测，但直接迁移至3D点云效果不佳。当前LiDAR OOD方法难以区分稀有异常与常见类别，导致高假阳性率和在安全关键场景中的过度自信错误。我们提出一种相对能量学习（Relative Energy Learning, REL）框架，虽简单却高效，用于LiDAR点云的OOD检测。REL利用正（在分布内）与负（在分布外）logit之间的能量间隙作为相对评分函数，缓解原始能量值中的标定问题，提高 various场景下的鲁棒性。为解决训练期间缺乏OOD样本的瓶颈，我们提出了轻量级数据合成策略——Point Raise，通过扰动现有点云生成辅助异常，而不改变内样本语义。该方法在SemanticKITTI和Spotting the Unexpected（STU）基准测试上均实现了显著优于现有方法的性能。我们的结果表明，建模相对能量并结合简单合成离群点，为开放世界自动驾驶中的可靠OOD检测提供了原则且可扩展的解决方案。
引用
@article{arxiv.2511.06720,
title = {Relative Energy Learning for LiDAR Out-of-Distribution Detection},
author = {Zizhao Li and Zhengkang Xiang and Jiayang Ao and Joseph West and Kourosh Khoshelham},
journal= {arXiv preprint arXiv:2511.06720},
year = {2025}
}
备注
The code and checkpoints will be released after paper acceptance