面向恶劣天气下泛化 LiDAR 分割的显式几何-反射率协同
计算机视觉与模式识别
2025-06-04 v1
摘要
现有的 LiDAR 语义分割模型在恶劣天气条件下往往会降低精度。针对此问题的近期方法侧重于通过天气模拟或通用增强技术来改善训练数据。然而，很少有工作研究点云几何结构与反射强度异构域偏移所造成的负面影响。在本文中，我们深入探讨了这一挑战，并提出了一种新颖的几何-反射率协同（GRC）框架，该框架显式分离几何与反射率的特征提取。具体而言，GRC 采用双分支架构，旨在最初独立处理几何与反射率特征，从而利用它们各自的独特性质。随后，GRC 采用鲁棒的多级特征协同模块来抑制来自两个分支的冗余与不可靠信息。因此，无需复杂的模拟或增强，我们的方法即可有效提取场景的内在信息并抑制干扰，从而在恶劣天气条件下实现更好的鲁棒性与泛化能力。我们通过在具有挑战性的基准上进行全面实验，证明了 GRC 的有效性，结果表明我们的方法优于现有方法并确立了新的 SOTA 结果。
关键词
引用
@article{arxiv.2506.02396,
title = {Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather},
author = {Longyu Yang and Ping Hu and Shangbo Yuan and Lu Zhang and Jun Liu and Hengtao Shen and Xiaofeng Zhu},
journal= {arXiv preprint arXiv:2506.02396},
year = {2025}
}