Learning to Generate Realistic LiDAR Point Clouds

要約

我々は、現実的なLiDAR点群の感覚的な読み取りを生成する、新規で、効果的で、制御可能な生成モデルであるLiDARGenを紹介する。本手法は、強力なスコアマッチングエネルギーベースモデルを活用し、点群生成過程を等緯経度図における確率的ノイズ除去過程として定式化する。このモデルにより、物理的な実現可能性と制御性が保証された、多様で高品質な点群サンプルの採取が可能となる。本手法の有効性を、難易度の高いKITTI-360とNuScenesのデータセットで検証する。定量的、定性的な結果から、本手法は他の生成モデルよりも現実的なサンプルを生成することが示されました。さらに、LiDARGenは再トレーニングを行うことなく、入力に条件付けられた点群のサンプリングが可能です。我々は、提案する生成モデルが、LiDAR点群の高密度化に直接使用できることを実証する。私たちのコードは、https://www.zyrianov.org/lidargen/ で入手可能です。

要約(オリジナル)

We present LiDARGen, a novel, effective, and controllable generative model that produces realistic LiDAR point cloud sensory readings. Our method leverages the powerful score-matching energy-based model and formulates the point cloud generation process as a stochastic denoising process in the equirectangular view. This model allows us to sample diverse and high-quality point cloud samples with guaranteed physical feasibility and controllability. We validate the effectiveness of our method on the challenging KITTI-360 and NuScenes datasets. The quantitative and qualitative results show that our approach produces more realistic samples than other generative models. Furthermore, LiDARGen can sample point clouds conditioned on inputs without retraining. We demonstrate that our proposed generative model could be directly used to densify LiDAR point clouds. Our code is available at: https://www.zyrianov.org/lidargen/

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL