Comprehensive Assessment of LiDAR Evaluation Metrics: A Comparative Study Using Simulated and Real Data
National Research Council Canada（加拿大国家研究理事会）；Civil and Environmental Engineering Western University（环境与土木工程系滑铁卢大学）；Transport Canada（加拿大交通部）
本研究探索了比较真实与模拟LiDAR扫描的评估指标，发现密度感知Chamfer距离(DCD)在多种设置下表现最佳，并基于真实数据构建VTE验证了模拟与真实LiDAR在几何特性和模型感知输出上的差异。
2025-11-04 cs.CV cs.RO
LiDAR-EDIT: LiDAR Data Generation by Editing the Object Layouts in Real-World Scenes
University of Utah（犹他大学）；University of Michigan（密歇根大学）；University of Pennsylvania（宾夕法尼亚大学）
LiDAR-EDIT通过编辑真实场景中的物体布局生成可控、真实的激光雷达数据，支持反事实场景并保留背景，实验证明其实际应用价值。
2025-05-24 cs.AI cs.CV cs.LG
Learning to Drop Points for LiDAR Scan Synthesis
Kyushu University（九州大学）
LiDAR传感器的3D激光扫描对于移动机器人了解其周围环境起着重要作用。然而，由于硬件限制、天气条件等原因，并非所有系统都具有高分辨率和准确度。将LiDAR数据作为场景先验的生成建模是补偿不可靠或不完整观测的有前途的解决方案之一。本文提出了一种基于生成对抗网络的LiDAR数据生成学习模型。与相关研究一样，我们将LiDAR数据处理为紧凑但无损的表示，即圆柱形深度图。然而，尽管现实世界的物体是平滑的，但深度图上的许多点通过激光测量被丢弃，这导致生成模型的学习困难。为了解决这个问题，我们将测量不确定性引入到生成过程中，这使得模型能够从真实LiDAR数据的集合中学习底层形状和丢弃噪声的解纠缠表示。为了模拟有损测量，我们采用可微采样框架来基于学习的不确定性丢弃点。我们证明了我们的方法的有效性，使用两个数据集的合成和重建任务。我们通过恢复具有各种类型损坏的LiDAR数据来进一步展示潜在的应用。
2021-08-01 cs.CV cs.RO eess.IV
GM-Livox: An Integrated Framework for Large-Scale Map Construction with Multiple Non-repetitive Scanning LiDARs
School of Geodesy and Geomatics, Wuhan University（武汉大学测绘学院）；INDRIVING Co.,Ltd（英驾科技股份有限公司）
由于能够提供足够直接和准确的距离测量，光探测和测距（LiDAR）在自动驾驶车辆的定位和检测中发挥着至关重要的作用。针对单台激光雷达存在间歇性硬件故障和性能下降的问题，提出了一种多台激光雷达的集成方案。我们的框架将多个非重复扫描LiDAR与惯性，编码器和全球导航卫星系统（GNSS）紧密耦合，以进行姿态估计和同时生成全球地图。首先，我们制定了一个精确的同步策略来整合孤立的传感器，并从单独的激光雷达提取的特征点合并到一个单一的扫描。融合扫描被引入到计算扫描匹配对应，这可以进一步细化额外的实时动态（RTK）测量。在此基础上，我们构建了一个因素图随着惯性预积分结果，估计地面约束，RTK数据。为了保持有限数量的姿态估计的目的，我们在我们的系统中部署了基于关键帧的滑动窗口优化策略。多线程计算保证了实时性，并在具有挑战性的场景中进行了大量的实验。实验结果表明，利用多个LiDAR提高了系统的鲁棒性和准确性。
2021-10-11 cs.RO
Detection and Tracking of MAVs Using a Rosette Scanning Pattern LiDAR
HUN-REN SZTAKI Institute for Computer Science and Control（HUN-REN SZTAKI计算机科学与控制研究所）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Eötvös Loránd University (ELTE)（欧多立·洛朗大学）；KTH Royal Institute of Technology（皇家理工学院）
本研究利用非重复玫瑰花扫描模式LiDAR和带速度分量的粒子滤波器结合Pan-Tilt平台检测跟踪无人机，在保持与SOTA室内方法相当精度的同时，将最大检测距离提升约80%。
2025-08-13 cs.CV cs.RO
Multi-modal Streaming 3D Object Detection
University of British Columbia（不列颠哥伦比亚大学）
现代自动驾驶汽车在很大程度上依赖于机械激光雷达进行感知。目前的感知方法通常需要360°点云，当LiDAR扫描方位角并获取连续的楔形切片时，依次收集点云。全扫描的采集延迟（~ 100 ms）可能导致过时的感知，这对安全操作有害。最近的流式感知工作提出直接处理LiDAR切片，并通过重用来自先前切片的特征来补偿切片的窄视场（FOV）。然而，这些工作都是基于一种单一的模式，需要过去的信息，可能已经过时。同时，来自高频相机的图像可以支持流式模型，因为与LiDAR切片相比，它们提供了更大的FoV。然而，FoV中的这种差异使传感器融合复杂化。为了解决这一研究差距，我们提出了一个创新的相机激光雷达流3D目标检测框架，使用相机图像，而不是过去的激光雷达切片，提供一个最新的，密集的，广泛的上下文流感知。所提出的方法优于具有挑战性的NuScenes基准的先前流模型。它也优于强大的全扫描探测器，同时速度更快。我们的方法被证明是强大的丢失的相机图像，窄的激光雷达切片，和小相机激光雷达误校准。
2022-09-12 cs.CV cs.RO
Long-Term Urban Vehicle Localization Using Pole Landmarks Extracted from 3-D Lidar Scans
University of Freiburg（弗赖堡大学）
由于它们的普遍性和长期稳定性，杆状物体非常适合作为城市环境中车辆定位的地标。在这项工作中，我们提出了一个完整的映射和长期定位系统的基础上从3-D激光雷达数据提取的极点地标。我们的方法采用了一种新的极点检测器，映射模块和在线定位模块，其中每一个都有详细描述，我们在www.github.com/acschaefer/polex上提供了一个开源实现。在广泛的实验中，我们证明了我们的方法在长期可靠性和准确性方面提高了最先进的水平：首先，我们通过任务系统在15个月的时间内根据初始地图在城市地区定位移动机器人来证明可靠性，面对不断变化的路线，不同的天气条件，季节变化和建筑工地。其次，我们表明，所提出的方法显然优于最近发表的方法在准确性方面。
2019-10-23 cs.CV cs.RO
VioLA: Aligning Videos to 2D LiDAR Scans
Samsung AI Center NY（三星AI中心纽约分部）
针对视频与全局2D LiDAR扫描对齐时局部语义地图信息不足的问题，提出VioLA方法，结合文本到图像修复与深度补全模型补全场景，在基准及自建数据集上实现位姿配准性能最高20%的提升。
2023-11-08 cs.CV
Feasibility of Indoor Frame-Wise Lidar Semantic Segmentation via Distillation from Visual Foundation Model
1 Department of Earth Observation Science, Faculty of Geo-Information Science；Earth Observation (ITC), University of Twente, 7522 NB Enschede, The Netherlands
本文探讨了通过知识蒸馏从视觉基础模型中学习的方法，用于室内点云语义分割，展示了在无人工标注的情况下，该方法在室内场景中的有效性。
2026-04-20 cs.CV cs.RO
DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative Diffusion Models
Stanford University（斯坦福大学）
磁共振成像（MRI）是一种常见的和挽救生命的医学成像技术。然而，获取高信噪比MRI扫描需要长的扫描时间，导致成本增加和患者不适，以及吞吐量降低。因此，对MRI扫描进行去噪有很大的兴趣，特别是对于严重SNR受限的扩散MRI扫描的子类型。虽然大多数现有的MRI去噪方法本质上是监督的，但针对大量解剖结构、MRI扫描仪和扫描参数获取监督训练数据集被证明是不切实际的。在这里，我们提出了去噪扩散模型去噪扩散MRI（DDM $^2$），一个自我监督的去噪方法MRI去噪使用扩散去噪生成模型。我们的三阶段框架将基于几何的去噪理论集成到扩散模型中，并通过条件生成进行去噪。在推理过程中，我们将输入噪声测量值表示为扩散马尔可夫链中的中间后验分布的样本。我们在4个真实世界的体内扩散MRI数据集上进行实验，并表明我们的DDM $^2$表现出卓越的去噪性能，并通过临床相关的视觉定性和定量指标确定。
2023-02-06 cs.CV eess.IV
Evaluating the Performance of Multi-Scan Integration for UAV LiDAR-based Tracking
University of Turku（图尔库大学）
本文评估了多扫描集成方法在GNSS受限环境中使用固态激光雷达和卡尔曼滤波器跟踪无人机的性能，结果表明该方法能实现较低的位置误差，是一种可行的跟踪方案。
2023-05-10 cs.RO
2D vs. 3D LiDAR-based Person Detection on Mobile Robots
RWTH Aachen（亚琛工业大学）；Visual Computing Institute（视觉计算研究所）
人体检测是移动机器人在人群环境中导航的一项重要任务。LiDAR传感器由于其精确的深度测量和大视场而有望完成这项任务。存在两种类型的LiDAR传感器：扫描单个平面的2D LiDAR传感器和扫描多个平面从而形成体积的3D LiDAR传感器。它们在人员检测任务中的表现如何？为了回答这个问题，我们进行了一系列实验，使用公共的大规模JackRabbot数据集和最先进的基于2D和3D LiDAR的人员检测器（分别为DR-SPAAM和CenterPoint）。我们的实验包括多个方面，从基本的性能和速度比较，更详细的分析定位精度和鲁棒性的距离和场景杂波。这些实验的见解突出了2D和3D LiDAR传感器作为人员检测源的优势和劣势，对于设计将在接近周围人类的地方运行的移动机器人（例如服务或社交机器人）特别有价值。
2022-07-25 cs.CV cs.RO
Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans
Faculty of Engineering, University of Applied Sciences Aschaffenburg（应用科学阿施芬堡大学工程学院）；Intelligent Embedded Systems Lab, University of Kassel（卡塞尔大学智能嵌入式系统实验室）
针对高分辨率车载LiDAR，提出利用表面法线特征的实时语义分割框架，并发布128层LiDAR数据集及ROS2实现，兼顾精度与实时性。
2025-09-10 cs.LG cs.RO
Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation
University of Freiburg（弗莱堡大学）
场景理解是自主车辆在环境中安全导航的关键任务。深度学习的最新进展使人们能够从LiDAR数据中准确地重建周围环境的语义。然而，这些模型在部署在配备不同LiDAR设置的车辆上时遇到了很大的域差距，这大大降低了它们的性能。由于记录和手动标记新数据的过程昂贵且繁琐，因此为每个新设置微调模型是不可行的。因此，无监督领域自适应（UDA）技术是必不可少的，以填补这一领域的差距，并保持新的传感器设置模型的性能，而不需要额外的数据标记。在本文中，我们提出了AdaptLPS，一种新的UDA激光雷达全景分割的方法，利用特定于任务的知识，并占扫描线的数量，安装位置，强度分布和环境条件的变化。我们采用两个互补的领域自适应策略，基于数据和基于模型的UDA任务。虽然基于数据的自适应通过处理原始LiDAR扫描以类似于目标域中的扫描来减少域间隙，但基于模型的技术指导网络提取代表两个域的特征。对三对真实世界自动驾驶数据集的广泛评估表明，AdaptLPS在PQ得分方面优于现有的UDA方法高达6.41 pp。
2022-02-28 cs.CV cs.RO
CRISTAL: Real-time Camera Registration in Static LiDAR Scans using Neural Rendering
Hasselt University - Digital Future Lab - Flanders（哈塞尔特大学-数字未来实验室-弗拉芒）
CRISTAL通过神经渲染技术实现静态LiDAR扫描中的实时相机定位，提供无漂移且具有正确度量尺度的跟踪，优于现有SLAM流程。
2025-11-20 cs.CV cs.GR
A Multi-Vehicle Dataset with Camera, LiDAR, and Radar Sensors and Scanned 3D Models for Custom Auto-Annotation using RTK-GNSS
University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
该研究提出一个多车辆数据集，提供相机、LiDAR和雷达数据及扫描3D模型，结合RTK-GNSS位姿参考，支持自定义自动标注和测量效应评估。
2026-09-14 cs.AI cs.CV cs.LG
UAV Tracking with Solid-State Lidars:Dynamic Multi-Frequency Scan Integration
University of Turku（图尔库大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
针对复杂环境下无人机跟踪难题，提出基于固态激光雷达的动态多频率扫描积分跟踪方法，融合双频扫描并结合逆协方差交集法与卡尔曼滤波，实现与基线相当且单频场景下更可靠精准的跟踪效果。
2023-07-18 cs.RO
Range Image-based LiDAR Localization for Autonomous Vehicles
University of Bonn（波恩大学）
鲁棒和准确的，基于地图的定位是自主移动系统的关键。在本文中，我们利用从三维激光雷达扫描生成的距离图像来解决在由三角形网格表示的大规模户外环境的地图中定位移动机器人或自动驾驶汽车的问题。我们使用泊松曲面重建生成基于网格的地图表示。基于当前LiDAR扫描生成的距离图像和基于网格的地图的合成渲染视图，我们提出了一种新的观察模型，并将其集成到Monte Carlo定位框架中，该框架实现了更好的定位性能，并很好地推广到不同的环境。我们在不同环境中使用不同的LiDAR扫描仪收集的多个数据集上测试了所提出的定位方法。实验结果表明，该方法能够在不同环境下可靠、准确地定位移动系统，并以LiDAR传感器的帧速率在线运行，跟踪车辆姿态。
2021-05-25 cs.RO
SLAMSpoof: Practical LiDAR Spoofing Attacks on Localization Systems Guided by Scan Matching Vulnerability Analysis
Keio University（庆应义塾大学）；the National Institute of Advanced Industrial Science and Technology（独立行政法人产业技术综合研究所）；University of California, Irvine（加利福尼亚大学欧文分校）；Amano Institute of Technology（天野工业大学）
本研究针对自动驾驶LiDAR定位系统的欺骗攻击风险，提出基于扫描匹配漏洞评分的SLAMSpoof攻击方法，实车实验证实可对3种主流定位算法诱发超4.2米位置误差，并探讨了防御方向。
2025-02-19 cs.RO
Scaling Diffusion Models to Real-World 3D LiDAR Scene Completion
Center for Robotics, University of Bonn（波恩大学机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出将扩散模型直接应用于3D点云以实现真实世界场景补全，通过重新表述扩散过程并提出正则化损失稳定去噪，在单次LiDAR扫描输入下生成比现有方法更详细的完整场景。
2024-03-20 cs.CV
An Efficient L-Shape Fitting Method for Vehicle Pose Detection with 2D LiDAR
College of Automotive Engineering, Tongji University（同济大学汽车学院）；Technical University of Munich（慕尼黑工业大学）
鲁棒性强、效率高的车辆检测已成为全自动驾驶汽车的关键能力之一。这个主题已经通过使用图像传感器和3D LiDAR的GPU加速的深度学习方法进行了广泛的研究，然而，很少有研究试图通过水平安装的2D激光扫描仪来解决这个问题。二维激光扫描仪以其视场大、光照不变性、精度高、价格相对低廉等优势，几乎每一辆自动驾驶汽车都配备了二维激光扫描仪。在本文中，我们提出了一种高效的基于搜索的L形拟合算法检测的位置和方向的车辆与二维激光扫描仪。与将LShape拟合问题转化为复杂优化问题的方法不同，该方法将L-Shape拟合问题分解为两个步骤：L-Shape顶点搜索和L-Shape角点定位。我们的方法是计算效率，由于其最小化的复杂性。在道路实验中，我们的方法是能够适应各种情况下的高效率和鲁棒性。
2018-12-23 cs.RO
T2LDM++: A Self-Conditioned Representation Guided Diffusion Model for Realistic Text-to-LiDAR Scene Generation
School of Computer Science and Engineering（计算机科学与工程学院）；Nanjing University of Science and Technology（南京理工大学）；Faculty of Data Science（数据科学学院）；City University of Macau（澳门城市大学）；Beijing Institute of Technology（北京理工大学）；Fondazione Bruno Kessler（布鲁诺·凯瑟尔基金会）；School of Public Health（公共卫生学院）；Shanghai Jiao Tong University（上海交通大学）；School of Computing（计算机学院）；National University of Singapore（新加坡国立大学）
针对文本-激光雷达数据稀缺导致场景过平滑和可控性不足的问题，提出T2LDM++模型，通过自条件表示引导（SCRG）提供重建监督，并构建高质量基准数据集，实现几何细节丰富的激光雷达场景生成。
2026-07-29 cs.CV
LiDAR Point Cloud Image-based Generation Using Denoising Diffusion Probabilistic Models
Johannes Kepler University Linz（约翰·凯撒大学林茨）；Department Intelligent Transport Systems（智能交通系统部门）
本研究针对自动驾驶LiDAR真实数据采集耗时、易受噪声稀疏影响的问题，提出基于改进去噪扩散概率模型（DDPM）的LiDAR点云图像生成方法，通过新型噪声调度与时间步嵌入技术生成高质量合成数据，提升自动驾驶3D视觉系统性能。
2025-09-23 cs.AI cs.CV
Mitigating Shadows in Lidar Scan Matching using Spherical Voxels
Tufts University（塔夫茨大学）
在本文中，我们提出了一种方法，以减轻阴影误差的激光雷达扫描匹配，通过引入一个基于球面网格的预处理步骤。由于网格与激光雷达光束对齐，因此相对容易消除导致激光雷达扫描匹配中的系统误差的阴影边缘。正如我们通过模拟所示，我们提出的算法提供了更好的结果比地平面去除，最常见的现有的阴影缓解策略。与地平面移除不同，我们的方法适用于任意地形（例如城市墙壁上的阴影，丘陵地形中的阴影），同时保留地面上的关键激光雷达点，这些点对于估计高度，俯仰和滚动的变化至关重要。我们的预处理算法可以与一系列扫描匹配方法一起使用;然而，对于基于体素的扫描匹配方法，它通过降低计算成本和更均匀地在体素之间分布激光雷达点来提供额外的好处。
2022-08-01 cs.CV cs.RO
CORENet: Cross-Modal 4D Radar Denoising Network with LiDAR Supervision for Autonomous Driving
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Institute of Control Engineering（北京控制工程研究所）
CORENet提出一种利用LiDAR监督的跨模态4D雷达去噪框架，以即插即用方式提升恶劣天气下基于雷达的目标检测鲁棒性，在Dual-Radar数据集上优于现有主流方法。
2025-08-19 cs.AI cs.CV
MinkLoc3D-SI: 3D LiDAR place recognition with sparse convolutions, spherical coordinates, and intensity
Poznan University of Technology（波兹南理工大学）；Warsaw University of Technology（华沙理工大学）
3D LiDAR位置识别旨在基于来自旋转3D LiDAR传感器的单次扫描来估计先前看到的环境中的粗略定位。该问题的现有解决方案包括手工制作的点云描述符（例如，ScanContext、M2 DP、LiDAR IRIS）和基于深度学习的解决方案（例如，PointNetVLAD、PCAN、LPDNet、DAGC、MinkLoc 3D），通常仅在Oxford RobotCar数据集的累积2D扫描上进行评估。我们介绍了MinkLoc 3D-SI，这是一种基于稀疏卷积的解决方案，它利用3D点的球面坐标并处理3D LiDAR测量的强度，从而提高了使用单个3D LiDAR扫描时的性能。我们的方法将手工制作的描述符（如ScanContext）的典型改进与最有效的3D稀疏卷积（MinkLoc 3D）相结合。我们的实验显示了3D LiDAR（USyd Campus数据集）单次扫描的改进结果和强大的泛化能力（KITTI数据集）。在累积的2D扫描（RobotCar Intensity数据集）上使用强度信息可以提高性能，即使球形表示不会产生明显的改善。因此，MinkLoc 3D-SI适用于从3D LiDAR获得的单次扫描，使其适用于自动驾驶汽车。
2021-12-27 cs.CV cs.RO
DSLR: Dynamic to Static LiDAR Scan Reconstruction Using Adversarially Trained Autoencoder
Indian Institute of Science（印度科学研究所）；AMIDC Pvt Ltd（AMIDC私人有限公司）；Chennai Mathematical Institute（钦奈数学研究所）
从包含动态对象的场景的LiDAR扫描中精确重建静态环境，我们称之为动态到静态转换（DST），是自主导航研究的一个重要领域。最近已经针对视觉SLAM探索了这个问题，但是据我们所知，还没有工作试图解决用于LiDAR扫描的DST。由于LiDAR在自动驾驶汽车中的广泛采用，这个问题至关重要。我们表明，最先进的方法开发的视觉域时，适用于激光雷达扫描表现不佳。我们开发了DSLR，这是一种深度生成模型，它通过一个经过逆向训练的自动编码器来学习动态扫描与静态扫描之间的映射。我们的模型产生了第一个在LiDAR上进行DST的解决方案，该解决方案在不使用显式分割标签的情况下生成静态扫描。由于缺乏成对的动态-静态扫描，DSLR并不总是适用于真实世界的数据。使用无监督领域自适应，我们提出了DSLR-UDA转移到现实世界的数据和实验表明，这在现实世界的设置表现良好。此外，如果分割信息可用，我们将DSLR扩展到DSLR-Seg以进一步提高重建质量。DSLR在模拟和真实世界的数据集上提供了最先进的性能，并且还显示出至少4倍的改进。我们表明，DSLR，不像现有的基线，是一个实际可行的模型，其重建质量在可容忍的范围内的自主导航，如SLAM在动态环境中的任务。
2021-05-26 cs.AI cs.CV cs.LG
TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather
Grandzxw
本文提出TripleMixer点云去噪网络，通过空间、频率和通道三个mixer模块抑制恶劣天气噪声，并构建Weather-KITTI和Weather-NuScenes数据集及四项基准，验证其在多个下游任务上无需重训练即可显著提升LiDAR感知鲁棒性。
2025-08-21 cs.CV cs.RO
Learning a Local Feature Descriptor for 3D LiDAR Scans
University of Freiburg（弗莱堡大学）
健壮的数据关联对于几乎每个SLAM系统都是必要的，并且找到对应点通常是扫描对准算法的预处理步骤。传统上，手工制作的特征描述符用于这些问题，但最近学习的描述符已被证明执行更稳健。在这项工作中，我们提出了一个局部特征描述3D激光雷达扫描。使用卷积神经网络（CNN）来学习描述符。我们提出的架构包括一个暹罗网络学习的特征描述符和一个度量学习网络匹配的描述符。我们还提出了一种方法，估计当地的表面补丁，并获得地面实况对应。在广泛的实验中，我们将我们学习的特征描述符与现有的3D局部描述符进行了比较，并在匹配精度和计算时间方面报告了多个实验的高度竞争性结果。\end{abstract}
2018-09-20 cs.CV cs.RO
Fast and Robust Normal Estimation for Sparse LiDAR Scans
Magic Leap（魔法跳跃公司）
本文提出一种针对稀疏LiDAR数据的快速鲁棒法线估计方法，利用激光发射模式标记点并仅以同标签点为邻居，避免高曲率区域的法线平滑，生成更高质量地图且仅引入常数级运行时开销。
2024-04-22 cs.CV cs.RO
DenoiseCP-Net: Efficient Collective Perception in Adverse Weather via Joint LiDAR-Based 3D Object Detection and Denoising
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems（图宾根大学，科学学院，计算机科学系，嵌入式系统）
针对恶劣天气下LiDAR集体感知未研究的问题，提出DenoiseCP-Net多任务架构，集成体素级去噪与3D检测，降低带宽23.6%并保持检测精度。
2025-07-09 cs.CV
V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection
Fujian Key Laboratory of Sensing and Computing for Smart Cities, Xiamen University, China（福建智能城市感知与计算重点实验室，厦门大学）；Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（多媒体可信感知与高效计算重点实验室，中国教育部，厦门大学）；Zhongguancun Academy（中关村学院）；Shanghai Jiao Tong University（上海交通大学）；Wuhan University（武汉大学）；Texas A&M University（德克萨斯A&M大学）
针对V2X系统在恶劣天气下3D目标检测性能下降的问题，提出含激光雷达、相机和4D雷达的首个模拟数据集V2X-R，并设计带多模态去噪扩散模块的协作融合管道，提升了恶劣天气下的检测性能。
2025-08-25 cs.CV
DeepTemporalSeg: Temporally Consistent Semantic Segmentation of 3D LiDAR Scans
University of Freiburg（弗莱堡大学）；Toyota Research Institute（丰田研究院）
理解环境的语义特征是自主机器人操作的关键使能器。在本文中，我们提出了一种深度卷积神经网络（DCNN），用于将LiDAR扫描的语义分割为汽车，行人或骑自行车的人。这种架构基于密集块，并有效地利用深度可分离卷积来限制参数的数量，同时仍然保持最先进的性能。为了使DCNN的预测在时间上一致，我们提出了一种基于贝叶斯滤波器的方法。该方法使用来自神经网络的预测来递归地估计扫描中的点的当前语义状态。该递归估计使用从先前扫描获得的知识，从而使预测在时间上一致并且对孤立的错误预测具有鲁棒性。我们比较我们提出的架构与其他国家的最先进的神经网络架构的性能，并报告大幅改善。对于建议的贝叶斯滤波器的方法，我们显示在KITTI跟踪基准的各种序列的结果。
2020-03-23 cs.CV cs.RO
LiDAR Ground Filtering Algorithm for Urban Areas Using Scan Line Based Segmentation
Wuhan University（武汉大学）
本文研究了城市地区机载激光雷达点云数据中地面点的分离问题。本文提出了一种基于扫描线分割的地面滤波新方法--SLSGF。它利用LiDAR数据中的扫描线信息对LiDAR数据进行分割。相似性度量的目的是使它能够分割复杂的屋顶结构成一个单一的部分，尽可能多的屋顶和地面之间的拓扑关系是简单的，这将有利于标记过程。在标记过程中，检测初始地面段，并应用由粗到细的标记方案。从ISPRS 2011年的数据被用来测试SLSGF的准确性，我们的分析和实验结果表明，这种方法是计算效率和噪声不敏感，从而使滤波前不需要去噪过程。
2016-03-02 cs.CV
Blurred LiDAR for Sharper 3D: Robust Handheld 3D Scanning with Diffuse LiDAR and RGB
Massachusetts Institute of Technology（麻省理工学院）
针对RGB重建在复杂场景的缺陷及稀疏LiDAR的场景覆盖问题，本研究提出漫射LiDAR结合RGB的方法，通过高斯表面元渲染框架及场景自适应损失函数，实现更优的鲁棒3D扫描。
2024-11-29 cs.CV cs.LG eess.IV
PolarMix: A General Data Augmentation Technique for LiDAR Point Clouds
Nanyang Technological University（南洋理工大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Terminus Group（特斯联集团）
LiDAR点云通常由旋转LiDAR传感器连续扫描，可捕获周围环境的精确几何形状，对于许多自主检测和导航任务至关重要。虽然已经开发了许多3D深度架构，但大量点云的有效收集和注释仍然是分析和理解点云数据的主要挑战之一。本文介绍了PolarMix，点云增强技术，是简单和通用的，但可以有效地减轻数据约束，在不同的感知任务和场景。PolarMix通过两种交叉扫描增强策略丰富点云分布并保持点云保真度，这些策略可沿扫描方向切割、编辑和混合点云。第一种是场景级交换，交换沿方位轴切割的两个LiDAR扫描的点云扇区。第二个是实例级旋转和粘贴，它从一个LiDAR扫描中裁剪点实例，将它们旋转多个角度（以创建多个副本），并将旋转的点实例粘贴到其他扫描中。大量的实验表明，PolarMix在不同的感知任务和场景中始终实现卓越的性能。此外，它可以作为各种3D深度架构的即插即用，并且对于无监督的领域自适应也表现良好。
2022-07-30 cs.AI cs.CV cs.LG
AURORA-KITTI: Any-Weather Depth Completion and Denoising
本文提出AURORA-KITTI，首个大规模多模态多天气基准，通过统一任务深度补全与去噪，在恶劣天气下实现鲁棒的深度重建，同时引入DDCD基线模型提升效率与鲁棒性。
2026-10-14 cs.CV
Towards classification-based representation learning for place recognition on LiDAR scans
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学）
本文将自动驾驶中的位置识别构建为多类分类问题，通过为LiDAR扫描分配离散位置标签并训练编码器-解码器模型直接分类位置，在NuScenes数据集上取得与对比学习相当的性能，且在训练效率和稳定性上更具优势。
2025-11-04 cs.CV
TCM-ICP: Transformation Compatibility Measure for Registering Multiple LIDAR Scans
National Institute of Technology, Calicut（卡利卡特国家理工学院）；Nanjing Forestry University（南京林业大学）；Saint Mary’s University（圣玛丽大学）
多视图和多平台LiDAR扫描的刚性配准是3D地图绘制、机器人导航和大规模城市建模应用中的基本问题。使用LiDAR传感器的数据采集涉及从不同视点扫描多个区域，从而生成真实世界场景的部分重叠点云。传统上，ICP（迭代最近点）算法用于将获取的点云配准在一起，以形成捕获扫描的真实世界场景的唯一点云。传统的ICP面临局部最小值问题，并且通常需要粗略的初始对准来收敛到最优。在这项工作中，我们提出了一种算法，用于注册多个重叠的激光雷达扫描。我们引入了一个几何度量，称为变换兼容性度量（TCM），它有助于在算法的每次迭代中选择最相似的点云进行注册。然后使用单纯形技术对与参考LiDAR扫描最相似的LiDAR扫描进行变换。然后应用使用梯度下降和模拟退火技术的变换的优化来改进所得到的配准。我们评估了该算法在四个不同的现实世界的场景和实验结果表明，该方法的配准性能相媲美或优于传统的注册方法。此外，该算法实现了优越的配准结果，即使在处理离群值。
2020-01-31 cs.CV cs.GR
Simultaneous Diffusion Sampling for Conditional LiDAR Generation
Australian Institute for Machine Learning - University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Maptek（Maptek公司）
本文提出一种用于条件LiDAR生成的同步扩散采样方法，通过将输入扫描投射到多视角并施加多视角几何约束，实现准确且几何一致的点云增强，在多种基准上大幅优于现有方法。
2024-10-15 cs.CV
Semi-Local Convolutions for LiDAR Scan Processing
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Robert Bosch GmbH（罗伯特·博世有限公司）；Research Center for Information Technology（信息技术研究中心）
许多应用，如移动机器人或自动驾驶汽车，使用激光雷达传感器来获得有关其三维环境的详细信息。许多方法使用类似图像的投影来有效地处理这些LiDAR测量结果，并使用深度卷积神经网络来预测扫描中每个点的语义类别。空间平稳假设使得能够使用卷积。然而，LiDAR扫描在垂直轴上表现出很大的外观差异。因此，我们提出了半局部卷积（SLC），这是一种沿着垂直维度减少权重共享量的卷积层。我们首先要研究独立于任何其他模型更改的这种层的使用。我们的实验没有显示出在分割IoU或准确性方面比传统卷积层有任何改进。
2021-11-30 cs.CV cs.LG
LOGen: Toward Lidar Object Generation by Point Diffusion
LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM，巴黎理工学院，埃菲尔大学，CNRS）
LOGen提出一种基于扩散的模型，用于生成激光雷达物体的点云（含强度），通过条件信息实现可控生成，并在nuScenes和KITTI-360上验证了质量。
2025-09-25 cs.CV
3D3L: Deep Learned 3D Keypoint Detection and Description for LiDARs
ETH Zurich（苏黎世联邦理工学院）；Voliro Airborne Robotics（Voliro空中机器人公司）
随着功能强大、重量轻的3D LiDAR的出现，它们已成为各种自主系统上许多导航和SLAM算法的核心。点云配准方法与非结构化点云（如ICP）一起工作，通常计算成本很高，或者需要很好的初始猜测。此外，基于3D特征的配准方法从未完全达到视觉SLAM中的2D方法的鲁棒性。随着LiDAR距离图像分辨率的不断提高，这些2D方法不仅变得适用，而且应该利用随之而来的与照明无关的模式，例如深度和强度。在视觉SLAM中，与传统方法相比，深度学习的2D特征和描述符表现得非常好。在本出版物中，我们使用最先进的2D特征网络作为3D3L的基础，利用LiDAR范围图像的强度和深度来提取强大的3D特征。我们的研究结果表明，从LiDAR扫描图像中提取的这些关键点和描述符在不同的基准指标上都优于最先进的技术，并且可以实现强大的扫描到扫描对齐以及全局定位。
2021-04-12 cs.CV cs.RO
Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer
Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente（特温特大学地理信息科学与地球观测学院（ITC））
本文提出基于RGB和LiDAR的增量语义辅助网格生成方法，通过直接标签转移提升几何重建精度，优于ImMesh和Voxblox，为XR和数字建模提供新路径。
2026-04-10 cs.CV cs.RO
Practical optimal registration of terrestrial LiDAR scan pairs
The University of Adelaide（阿德莱德大学）；ETH Zurich（苏黎世联邦理工学院）
点云配准是三维扫描中的一个基本问题。在本文中，我们解决了注册地面激光雷达扫描（或更一般地说，水平点云）的常见特殊情况。许多当前的解决方案仍然依赖于迭代最近点（ICP）方法或其他启发式程序，这需要良好的初始化才能成功和/或不提供成功的保证。另一方面，精确或最优配准算法可以计算最佳可能的解决方案，而无需初始化;然而，它们目前太慢，在现实应用中不实用。现有的最佳方法忽略了这样一个事实，即在日常使用中，扫描之间的相对旋转通过LiDAR扫描仪中的内置水平补偿被约束到方位角。我们提出了一种新的，最佳的和计算效率的注册方法，这种4DOF的情况。我们的方法对候选3D关键点对应进行操作，并且包含两个主要步骤：（1）确定性选择方案，其以保证保留最优解的方式显著减少候选对应集;以及（2）快速分支定界（BnB）算法，其具有用于1D旋转搜索的新颖多项式时间子例程，快速找到减少的集合的最优对齐。我们证明了我们的方法的实用性现实点云从多个激光雷达调查。
2018-11-30 cs.CV
D-PLS: Decoupled Semantic Segmentation for 4D-Panoptic-LiDAR-Segmentation
Mannheim University of Applied Sciences（曼海姆应用技术大学）
本文提出D-PLS方法，通过解耦语义与实例分割并利用单次扫描语义预测作为先验指导实例分割，在SemanticKITTI数据集上显著提升了4D全景LiDAR分割的LSTQ指标。
2025-01-27 cs.AI cs.CV
Simulated LiDAR Repositioning: a novel point cloud data augmentation method
McGill University（麦吉尔大学）
我们解决了激光雷达的数据增强问题。给定从某个位置对场景进行的LiDAR扫描，如何从不同的次要位置模拟该场景的新扫描？该方法定义了用于选择有效次级位置的标准，然后估计来自原始点云的哪些点将由扫描仪从这些位置获取。我们使用合成场景验证该方法，并检查生成的点云的相似性如何取决于扫描仪的距离，遮挡和角分辨率。我们表明，该方法是更准确的在短距离，并具有高扫描仪分辨率的原始点云生成的点云的相似性有很大的影响。我们还演示了如何将该方法应用于自然场景统计：特别是，我们应用我们的方法来重新定位扫描仪水平和垂直，分别考虑属于地面和非地面物体的点，并描述这两类点的距离分布的影响。
2021-11-20 cs.CV
MILAN: Milli-Annotations for Lidar Semantic Segmentation
LIGM（图像与数字数学实验室）；Ecole des Ponts（巴黎桥路学院）；Univ Gustave Eiffel（Gustave Eiffel大学）；CNRS（法国国家科学研究中心）
本文提出MILAN方法，利用自监督激光雷达表示选择高信息量扫描并聚类点云，通过每簇一次点击标注，以千分之一标签成本达到与完全标注相当的性能。
2024-07-22 cs.CV
Semantics-Guided Moving Object Segmentation with 3D LiDAR
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；The University of Macau（澳门大学）
本文提出一种语义引导卷积神经网络，通过单扫描语义分割、多扫描MOS及ASA模块对齐相邻扫描语义特征，实现快速可靠的3D LiDAR运动物体分割。
2022-05-06 cs.CV cs.RO
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
MINES ParisTech, PSL University（巴黎高等矿业学院，巴黎文理研究大学）；Kitware（Kitware公司）
多光束激光雷达传感器越来越多地用于机器人技术，特别是用于自动驾驶汽车的定位和感知任务，两者都依赖于构建精确环境地图的能力。为此，我们提出了一种新的实时的【形】激光雷达测距方法，称为CT-ICP（连续时间ICP），完成了一个完整的SLAM与一个新的循环检测过程。该方法的核心是引入扫描匹配中的连续性和扫描间的不连续性。它允许在配准期间扫描的弹性失真以提高精度，以及对来自不连续性的高频运动的增强的鲁棒性。我们建立了一个完整的SLAM上的里程计，使用一个快速的纯激光雷达环检测的基础上海拔图像的2D匹配，提供一个姿态图与循环约束。为了证明该方法的鲁棒性，我们在七个数据集上进行了测试：KITTI，KITTI-raw，KITTI-360，KITTI-CARLA，ParisLuco，Newer College和NCLT驾驶和高频运动场景。CT-ICP里程计和线圈检测都可以在线使用。CT-ICP目前在KITTI里程计排行榜上排名第一，平均相对翻译误差（RTE）为0.59%，单线程CPU上每次扫描的平均时间为60 ms。
2022-02-24 cs.CV cs.RO
ACSC: Automatic Calibration for Non-repetitive Scanning Solid-State LiDAR and Camera Systems
Beihang University（北京航空航天大学）；Beijing Advanced Innovation Center for Big Data and Brain Computing（大数据与脑计算北京先进创新中心）；Hangzhou Innovation Institution, Beihang University（北京航空航天大学杭州创新研究院）
近年来，固态激光雷达（SSL）技术的迅速发展使得人们能够低成本、高效率地从环境中获取三维点云数据，并由此引发了大量的研究和应用。然而，其扫描方向图的不均匀性和测距误差分布的不一致性给其标定工作带来了挑战。本文提出了一种非重复扫描SSL和摄像机系统的全自动标定方法。首先，提出一种基于时空的几何特征精化方法，从SSL点云中提取有效特征;然后，利用点的反射率分布估计标定目标（印刷棋盘）的三维角点。在此基础上，提出了一种基于目标的外定标方法。我们在实际条件下对不同类型的LiDAR和相机传感器组合进行了评估，并获得了准确性和鲁棒性的校准结果。该代码可在https://github.com/HViktorTsoi/ACSC.git上获得。
2020-11-17 cs.CV
JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision
Ajou University（韩国亚洲大学）；Kennesaw State University（肯尼索州立大学）
研究自动驾驶系统中雷达-相机深度估计问题，提出单阶段JustDepth方法，仅用雷达、相机和单扫描激光雷达训练，能聚合雷达回波解耦运行时与点数，融合模态传播深度，减轻条纹伪影，相比先进方法减少推理时间并降低条纹伪影。
2026-07-27 cs.CV cs.RO
ViLiVO: Virtual LiDAR-Visual Odometry for an Autonomous Vehicle with a Multi-Camera System
Shanghai Jiao Tong University（上海交通大学）；SAIC Motor（上海汽车集团股份有限公司）
在本文中，我们提出了一个多摄像机视觉里程计（VO）系统的自主车辆。我们的系统主要由一个虚拟激光雷达和一个姿态跟踪器。我们使用透视变换的方法来合成一个环绕视图的图像从无失真的鱼眼相机图像。利用语义分割模型，可以提取出自由空间。虚拟激光雷达的扫描是通过离散化自由空间的轮廓来生成的。在姿态跟踪方面，提出了一种融合特征匹配和虚拟激光雷达扫描匹配结果的视觉里程计系统。只有那些位于自由空间区域中的特征点被用来确保用于位姿估计的2D-2D匹配。此外，进行光束法平差（BA），以最小化特征点重投影误差和扫描匹配误差。我们将我们的系统应用于配备四个鱼眼摄像头的自动驾驶汽车。测试场景包括室外停车场和室内车库。实验结果表明，我们的系统实现了更强大的和准确的性能相比，基于鱼眼相机的单目视觉里程计系统。
2019-09-30 cs.CV cs.RO
