重访雷达感知：基于谱线点云
计算机视觉与模式识别
2026-04-10 v1
摘要
雷达感知模型是使用不同输入训练的，从范围-多普勒谱到稀疏点云。稠密谱被假设为优于稀疏点云，但它们在传感器和配置之间差异很大，这会阻碍迁移。在本文中，我们提供了将谱信息纳入雷达点云的替代方案，表明点云不必低于谱。我们提出了谱线点云范式，将点云视为雷达谱的稀疏、压缩表示，认为当点云丰富了谱信息时，它们可作为更稳健的统一输入表示，抵抗传感器特定的差异。我们开发了一个实验框架，用于比较不同密度下的谱线点云（PC）模型与稠密范围-多普勩（RD）基准，并报告了PC配置达到RD基准性能的密度水平。此外，我们实验了两种基本的谱线丰富方法，将额外的目标相关信息注入点云中。与普遍认为稠密RD方法更好的观念相反，我们表明点云可以和平等地做得很好，并且在丰富措施应用后可以超过RD基准。因此，谱线点云可以成为统一雷达感知的强有力候选者，为未来的雷达基础模型铺平了道路。
引用
@article{arxiv.2604.08282,
title = {Revisiting Radar Perception With Spectral Point Clouds},
author = {Hamza Alsharif and Jing Gu and Pavol Jancura and Satish Ravindran and Gijs Dubbelman},
journal= {arXiv preprint arXiv:2604.08282},
year = {2026}
}
备注
CVPR 2026 Workshop (PBVS 2026). Project page: https://www.tue-mps.org/Spectral-Point-Clouds-Radar/