SparseGF：面向城市至自然场景的高度感知稀疏分割框架与鲁棒地面滤波
计算机视觉与模式识别
2026-04-24 v1
摘要
高质量的数字地形模型源自航空激光扫描（ALS）数据，其生成通常依赖鲁棒的地面滤波（GF）来分离点云中不同场景的地面与非地面部分。虽然当前基于深度学习的 GF 方法在特定复杂 terrain 上表现突出，但其跨场景泛化受限于两个持续存在的问题：由于计算资源有限，大规模处理中存在上下文-细节矛盾；以及由于仅优化分类，导致高大物体被随机误分类。为克服这些限制，我们提出 SparseGF，一种结合上下文压缩的高度感知稀疏分割框架。其包含三个关键创新：（1）受凸面镜启发的上下文压缩模块，在保持中心细节的同时将广阔上下文浓缩为紧凑表示；（2）混合稀疏体素-点网络架构，有效解释压缩表示，同时缓解压缩引起的几何畸变；（3）高度感知损失函数，显式强制地拓扑高度先验训练，以抑制高大物体的随机误分类。在两个大规模 ALS 基准数据集上的广泛评估表明，SparseGF 能在城市至自然场景之间实现稳健的 GF，尤其在复杂城市场景中取得领先性能，在混合 terrain 上表现具竞争力，在密集森林陡峭地区虽准确率略低但未出现灾难性下降。本工作为深度学习 GF 研究提供新思路，鼓励进一步探索面向大规模环境监测的真正跨场景泛化。
引用
@article{arxiv.2604.21356,
title = {SparseGF: A Height-Aware Sparse Segmentation Framework with Context Compression for Robust Ground Filtering Across Urban to Natural Scenes},
author = {Nannan Qin and Pengjie Tao and Haiyan Guan and Zhizhong Kang and Lingfei Ma and Xiangyun Hu and Jonathan Li},
journal= {arXiv preprint arXiv:2604.21356},
year = {2026}
}