ResLPR：基于小波变换的 LiDAR 数据恢复网络及面向恶劣天气的稳健地点识别基准
计算机视觉与模式识别
2025-03-18 v1
摘要
LiDAR 基于地点识别(LPR)是自动驾驶的关键组件，其对环境腐蚀的鲁棒性对于高风险应用的安全性至关重要。虽然最先进(SOTA)的 LPR 方法在干净天气下表现良好，但在驾驶场景中常见的天气引起的腐蚀仍令其吃力。为此，我们提出了ResLPRNet，一种新的 LiDAR 数据恢复网络，通过基于小波变换的网络恢复受恶劣天气影响的 LiDAR 扫描数据，从而显著提升 LPR 在恶劣天气下的性能。ResLPRNet 高效轻便，可无缝集成到预训练的 LPR 模型中而无需额外的大量计算开销。鉴于缺乏面向恶劣天气的 LPR 数据集，我们引入了ResLPR，一个新的基准，围绕严重雪、雾和雨导致的多种 LiDAR 扭曲进行测试。实验表明，在我们提出的WeatherKITTI 和 WeatherNCLT 数据集上，所提出的恢复方法对多种 LPR 方法在挑战性天气场景中均实现了鲁棒性和显著提升。我们的代码和基准已在此公开：https://github.com/nubot-nudt/ResLPR。
引用
@article{arxiv.2503.12350,
title = {ResLPR: A LiDAR Data Restoration Network and Benchmark for Robust Place Recognition Against Weather Corruptions},
author = {Wenqing Kuang and Xiongwei Zhao and Yehui Shen and Congcong Wen and Huimin Lu and Zongtan Zhou and Xieyuanli Chen},
journal= {arXiv preprint arXiv:2503.12350},
year = {2025}
}