基于几何感知点丢弃的源端跨天气LiDAR

恶劣天气条件如雨、雪、雾严重降解LiDAR语义分割，由于引入折射、散射和点丢弃，导致几何完整性受损。虽然先前方法从天气模拟、混合式数据增强到域随机化和正则化不等方面不断增强鲁棒性，但常常忽视对象边界、角落和高度稀疏区域所固有的结构脆弱性。为此，我们提出一种轻量级几何感知适配器。该模块对方位角进行对齐，并应用水平圆形填充以保持跨0度-360度包围边界的邻近连续性。利用局部窗口K最近邻（KNN）搜索，对相邻点进行聚合并计算轻量级局部统计信息，将其压缩为紧凑的几何感知线索。在训练期间，这些线索促进区域感知正则化，从而有效稳定结构脆弱区域的预测。该适配器设计为即插即用，补充现有数据增强技术，仅在训练时运行，推理开销可忽略。在严格的源端跨天气范式下，即在SemanticKITTI上训练，在SemanticSTF上评估且无需目标域标签或微调，我们的适配器相对于强大的数据中心增强基线实现了+3.4 mIoU的提升。进一步地，它在性能上与先进的基于类的正则化方法相当。这些发现表明，几何驱动的正则化构成了实现高度鲁棒、全天候LiDAR分割的关键路径。