Rethinking Range-View LiDAR Segmentation in Adverse Weather

要約

LIDARセグメンテーションは、マルチメディアのエクスペリエンスと分析を豊かにするための重要なタスクとして浮上しています。
レンジビューベースの方法は、高い計算効率とリアルタイムの展開との互換性のために人気を博しています。
ただし、有害な気象条件下での一般化されたパフォーマンスは未脱カタリングのままであり、現実世界の環境での信頼性を制限しています。
この作業では、悪天候でのレンジビューライダーセグメンテーションの一般化に影響を与える独自の課題を特定して分析します。
これらの課題に対処するために、既存のモデルのコアアーキテクチャを変更せずに堅牢性を高めるモジュール式および軽量フレームワークを提案します。
当社の方法では、標準範囲ビューネットワークの初期ステムブロックを2つのブランチに再フォーマンして、幾何学的属性と反射強度を個別に処理します。
具体的には、幾何学的異常抑制（GAS）モジュールは、天候に起因する空間ノイズの影響を減らし、反射率歪みキャリブレーション（RDC）モジュールは、メモリ誘導適応インスタンス正規化を介した反射率の歪みを修正します。
処理された機能は融合され、元のセグメンテーションパイプラインに渡されます。
さまざまなベンチマークとベースラインモデルでの広範な実験は、私たちのアプローチが最小限の推論オーバーヘッドで悪天候への一般化を大幅に改善し、実際のライダーセグメンテーションのための実用的で効果的なソリューションを提供することを示しています。

要約(オリジナル)

LiDAR segmentation has emerged as an important task to enrich multimedia experiences and analysis. Range-view-based methods have gained popularity due to their high computational efficiency and compatibility with real-time deployment. However, their generalized performance under adverse weather conditions remains underexplored, limiting their reliability in real-world environments. In this work, we identify and analyze the unique challenges that affect the generalization of range-view LiDAR segmentation in severe weather. To address these challenges, we propose a modular and lightweight framework that enhances robustness without altering the core architecture of existing models. Our method reformulates the initial stem block of standard range-view networks into two branches to process geometric attributes and reflectance intensity separately. Specifically, a Geometric Abnormality Suppression (GAS) module reduces the influence of weather-induced spatial noise, and a Reflectance Distortion Calibration (RDC) module corrects reflectance distortions through memory-guided adaptive instance normalization. The processed features are then fused and passed to the original segmentation pipeline. Extensive experiments on different benchmarks and baseline models demonstrate that our approach significantly improves generalization to adverse weather with minimal inference overhead, offering a practical and effective solution for real-world LiDAR segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google