UltraLiDAR：用于LiDAR补全与生成的紧凑表示学习
计算机视觉与模式识别
2023-11-03 v1 机器学习
机器人学
摘要
LiDAR提供对3D世界的精确几何测量。不幸的是，高密度LiDAR非常昂贵，而低线束LiDAR捕获的点云通常很稀疏。为解决这些问题，我们提出UltraLiDAR，一个用于场景级LiDAR补全、LiDAR生成和LiDAR操作的数据驱动框架。UltraLiDAR的关键在于一种紧凑的离散表示，它编码点云的几何结构，对噪声鲁棒，且易于操作。我们展示通过将稀疏点云的表示与密集点云的对齐，我们可以像由真实高密度LiDAR捕获那样使稀疏点云变密，大幅降低成本。此外，通过学习离散码本上的先验，我们可以为自动驾驶生成多样化、真实的LiDAR点云。我们在稀疏到密集LiDAR补全和LiDAR生成上评估UltraLiDAR的有效性。实验表明，用我们的方法使真实世界点云变密能显著提升下游感知系统的性能。与先前LiDAR生成方法相比，我们的方法生成真实得多的点云。根据A/B测试，超过98.5%的时间人类参与者偏好我们的结果而非之前的方法。
引用
@article{arxiv.2311.01448,
title = {UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation},
author = {Yuwen Xiong and Wei-Chiu Ma and Jingkang Wang and Raquel Urtasun},
journal= {arXiv preprint arXiv:2311.01448},
year = {2023}
}
备注
CVPR 2023. Project page: https://waabi.ai/ultralidar/