基于单光子 LiDAR 的稳健 3D 对象检测：概率点云方法
计算机视觉与模式识别
2025-08-04 v1
摘要
LiDAR 基于 3D 传感器提供点云，这是各种场景理解任务中常用的 3D 表示方法。现代 LiDAR 在长距离或低反光率对象场景中面临关键挑战，产生稀疏或错误点云。这些错误源于 LiDAR 原始测量的噪声，随后在下游感知模型中传播，导致潜在的严重精度损失，因为传统的 3D 处理管线在构建点云时未保留原始测量的不确定性信息。我们提出了概率点云 (Probabilistic Point Clouds, PPC)，这是一种新颖的 3D 场景表示，其中每个点都增添了一个概率属性，用于封装原始数据中测量不确定性（或置信度）。我们进一步引入了利用 PPC 实现稳健 3D 对象检测的推理方法；这些方法灵活多变，可作为计算轻量级的即插即用模块集成到 3D 推理管线中。我们通过仿真和真实捕获的实验，证明 PPC 基于 3D 推理方法在面对小型、远距离、低反光率对象以及强环境光的挑战性室内外场景中，优于使用 LiDAR 或相机-LiDAR 混合模型的多个基线方法。我们的项目网页地址为 https://bhavyagoyal.github.io/ppc。
引用
@article{arxiv.2508.00169,
title = {Robust 3D Object Detection using Probabilistic Point Clouds from Single-Photon LiDARs},
author = {Bhavya Goyal and Felipe Gutierrez-Barragan and Wei Lin and Andreas Velten and Yin Li and Mohit Gupta},
journal= {arXiv preprint arXiv:2508.00169},
year = {2025}
}
备注
ICCV 2025