SRMambaV2：面向自动驾驶的稀疏点云上采样的仿生注意力机制
计算机视觉与模式识别
2025-07-24 v1 机器学习
摘要
自动驾驶场景下LiDAR点云的上采样问题因数据本身的稀疏性和复杂的3D结构而显得尤为棘手。近期研究尝试通过将复杂的3D空间场景转化为2D图像超分辨任务来解决此问题。然而，由于测距图像的稀疏和模糊特征表示，直接重建细致且复杂的空间拓扑结构仍然是主要难点。为此，我们提出了一种名为SRMambaV2的新型稀疏点云上采样方法，该方法在保持整体几何重建质量的同时，提升了稀疏区域（尤其是长程稀疏区域）上采样的精度。具体而言，仿照人类驾驶员的视觉感知方式，我们设计了一种仿生2D选择性扫描自注意力（2DSSA）机制，以建模稀疏区域的特征分布。同时，我们引入双分支网络结构以增强稀疏特征的表征。此外，我们引入渐进自适应损失函数（PAL），以进一步细化上采样过程中细粒度细节的重建。实验结果表明，SRMambaV2在定性和定量评估方面均表现出色，凸显了其在汽车稀疏点云上采样任务中的有效性和实际价值。
引用
@article{arxiv.2507.17479,
title = {SRMambaV2: Biomimetic Attention for Sparse Point Cloud Upsampling in Autonomous Driving},
author = {Chuang Chen and Xiaolin Qin and Jing Hu and Wenyi Ge},
journal= {arXiv preprint arXiv:2507.17479},
year = {2025}
}