Tag · 4 篇

激光雷达点云生成

分布 3D 视觉与重建3自动驾驶与遥感1

U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences

用预训练分割模型输出的空间不确定性图来引导扩散生成，先重建高熵难区再补全其余区域，并配 MoST 块融合时空表征——这套「不确定性引导的由难到易生成」可直接迁移到点云/占据栅格/视频等任何需要时序一致性的生成式世界模型。

Structure-to-Intensity Diffusion for Adverse-Weather LiDAR Generation

把扩散去噪过程按「先几何结构、后反射强度」显式分解，并用真实传感器统计做天气退化仿真，可直接用于扩充恶劣天气下的激光雷达训练数据，也可作为点云生成中解耦几何与辐射属性的可复用范式。

L3DR: 3D-aware LiDAR Diffusion and Rectification

针对基于距离视图的激光雷达扩散模型，提出在三维空间做点级残差回归来消除深度渗漏、波浪面等 RV 伪影，可作为即插即用后处理模块提升现有 LiDAR 生成模型的几何真实性，对自动驾驶仿真数据合成有直接价值。

A Self-Conditioned Representation Guided Diffusion Model for Realistic Text-to-LiDAR Scene Generation

对做 3D 感知的研究者，这篇提供了用扩散模型从文本生成激光雷达点云场景的完整方案：训练时用真实表征做软监督、推理时解耦的自条件引导，可缓解文本-点云配对稀缺导致的过度平滑；其条件编码器设计还能把稀疏到稠密、语义到激光雷达等任务统一到同一去噪网络中，可作为 3D 数据增广与跨模态条件生成的参考。