LiSu: A Dataset and Method for LiDAR Surface Normal Estimation

要約

表面正数は3Dシーンのジオメトリを分析するために広く使用されていますが、Lidar Point Cloudsからの表面正常推定は、露出していないままです。
これは、一方では大規模な注釈付きデータセットがないこと、および他方では妥当な時間でスパースでしばしばノイズの多いライダーデータを堅牢に処理できる方法がないことが原因です。
トラフィックシミュレーションエンジンを使用してこれらの制限に対処し、グラウンドトゥルースサーフェスの通常の注釈を備えた最初の大規模で合成ライダーポイントクラウドデータセットであるLISUを提示し、退屈なマニュアルラベル付けの必要性を排除します。
さらに、表面の通常の推定精度を高めるために、自律運転データの時空間特性を活用する新しい方法を提案します。
2つの正規化項を組み込むことにより、隣接するポイント間の空間的一貫性と、連続したライダーフレーム全体で時間的な滑らかさを実施します。
これらの正統派は、自己訓練の設定で特に効果的であり、そこではノイズの多い擬似ラベルの影響を軽減し、堅牢な実世界の展開を可能にします。
Lisuに対する方法の有効性を実証し、Lidar表面の通常の推定で最先端のパフォーマンスを達成します。
さらに、合成間ドメイン適応の挑戦的なタスクに対処する可能性を最大限に示し、実際のデータでの神経表面再構成の改善につながります。

要約(オリジナル)

While surface normals are widely used to analyse 3D scene geometry, surface normal estimation from LiDAR point clouds remains severely underexplored. This is caused by the lack of large-scale annotated datasets on the one hand, and lack of methods that can robustly handle the sparse and often noisy LiDAR data in a reasonable time on the other hand. We address these limitations using a traffic simulation engine and present LiSu, the first large-scale, synthetic LiDAR point cloud dataset with ground truth surface normal annotations, eliminating the need for tedious manual labeling. Additionally, we propose a novel method that exploits the spatiotemporal characteristics of autonomous driving data to enhance surface normal estimation accuracy. By incorporating two regularization terms, we enforce spatial consistency among neighboring points and temporal smoothness across consecutive LiDAR frames. These regularizers are particularly effective in self-training settings, where they mitigate the impact of noisy pseudo-labels, enabling robust real-world deployment. We demonstrate the effectiveness of our method on LiSu, achieving state-of-the-art performance in LiDAR surface normal estimation. Moreover, we showcase its full potential in addressing the challenging task of synthetic-to-real domain adaptation, leading to improved neural surface reconstruction on real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google