针对自动驾驶系统中稀疏激光点云重建的 SuperiorGAT：图注意力网络
计算机视觉与模式识别
2026-02-10 v3 人工智能
摘要
激光雷达在自动驾驶系统中的感知受限于固定的垂直束发射分辨率，且因环境遮挡进一步受到束 dropout 的影响。本文引入 SuperiorGAT，一种基于图注意力的框架，用于重建稀疏激光点云中缺失的高度信息。通过将激光扫描建模为光束感知图，并融合门控残差连接与前馈细化，SuperiorGAT 在不增加网络深度的情况下实现精确重建。为评估性能，模拟结构化光束 dropout，通过移除每第四个垂直扫描束来实现。广泛的实验在多样化的 KITTI 环境中进行，包括 Person、Road、Campus 和 City 序列，结果表明 SuperiorGAT 在重建误差和几何一致性方面均优于基于 PointNet 的模型和更深的 GAT 基线。定性的 X-Z 投影进一步确认该模型在保持结构完整性方面的能力，同时实现最小的垂直畸变。这些结果表明，架构细化为无需额外传感器硬件即可提升激光雷达分辨率提供了一种计算高效的方法。
引用
@article{arxiv.2512.22439,
title = {SuperiorGAT: Graph Attention Networks for Sparse LiDAR Point Cloud Reconstruction in Autonomous Systems},
author = {Khalfalla Awedat and Mohamed Abidalrekab and Gurcan Comert and Mustafa Ayad},
journal= {arXiv preprint arXiv:2512.22439},
year = {2026}
}