SLiDE：基于重建难度的自监督激光雷达去雪方法
计算机视觉与模式识别
2022-08-09 v1
摘要
激光雷达（LiDAR）被广泛用于捕获精确的室外三维场景结构。然而，激光雷达在雪天会产生许多不期望的噪声点，阻碍对有意义的3D场景结构进行分析。带有雪标签的语义分割将是去除它们的直接方案，但这需要繁重的逐点标注。为解决此问题，我们提出一种新颖的自监督学习框架用于激光雷达点云中的雪点去除。我们的方法利用噪声点的结构特征：与其邻域的低空间相关性。我们的方法由两个深度神经网络组成：点重建网络（PR-Net）从每个点的邻域重建该点；重建难度网络（RD-Net）预测PR-Net逐点重建的难度，我们称之为重建难度。通过简单后处理，我们的方法无需任何标签即可有效检测雪点。我们的方法在无标签方法中达到最先进性能，并与全监督方法相当。此外，我们证明我们的方法可用作前置任务以提升去雪监督训练的标签效率。
引用
@article{arxiv.2208.04043,
title = {SLiDE: Self-supervised LiDAR De-snowing through Reconstruction Difficulty},
author = {Gwangtak Bae and Byungjun Kim and Seongyong Ahn and Jihong Min and Inwook Shim},
journal= {arXiv preprint arXiv:2208.04043},
year = {2022}
}
备注
ECCV 2022