自动驾驶

Simulating Realistic LiDAR Data Under Adverse Weather for Autonomous Vehicles: A Physics-Informed Learning Approach

在恶劣天气下为自动驾驶车辆模拟真实激光雷达数据：一种物理引导的学习方法

Vivek Anand, Bharat Lohani, Rakesh Mishra, Gaurav Pandey

机构 * Indian Institute of Technology Kanpur（印度理工学院坎普尔分校） ； University of New Brunswick（新不伦瑞克大学） ； Texas A&M University（德克萨斯农工大学） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；autonomous driving(abstract)；分类 cs.RO、eess.IV

AI总结 本文提出一种物理引导的学习框架PICWGAN，通过整合物理驱动约束来生成在恶劣天气下的真实激光雷达数据，提升了仿真与现实的差距，并在3D目标检测中表现出色。

Hi-LOAM: Hierarchical Implicit Neural Fields for LiDAR Odometry and Mapping

Hi-LOAM：基于隐式神经场的层次化激光雷达里程计与建图

Zhiliu Yang, Jianyuan Zhang, Lianhui Zhao, Jinyu Dai, Zhu Yang

机构 * School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院） ； School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院） ； Yunnan Key Laboratory of Intelligent Systems and Computing, Yunnan University（云南大学云南省智能系统与计算重点实验室） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；autonomous driving(abstract)；分类 cs.RO

AI总结 本文提出Hi-LOAM，通过多尺度隐式神经场实现激光雷达里程计与建图，采用自监督学习解决传统LOAM在复杂场景中的局限性，实验验证其在多种数据集上的优越性能。

Comments This manuscript is the accepted version of IEEE Transactions on Multimedia

FSKD: Monocular Forest Structure Inference via LiDAR-to-RGBI Knowledge Distillation

FSKD：通过LiDAR到RGBI知识蒸馏推断单目森林结构

Taimur Khan, Hannes Feilhauer, Muhammad Jazib Zafar

机构 * Helmholtz Centre for Environmental Research – UFZ（亥姆霍兹环境研究中心） ； Leipzig University（莱比锡大学） ； Georg-August University of Göttingen（哥廷根大学） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV、cs.AI

AI总结 本文提出FSKD框架，利用多模态教师模型融合RGBI影像与LiDAR衍生的平面指标和垂直剖面，通过交叉注意力机制，使RGBI-only的SegFormer学生模型在零样本情况下实现最先进的CHM性能，同时预测PAI和FHD等多指标。

Comments Paper in-review

IGLOSS: Image Generation for Lidar Open-vocabulary Semantic Segmentation

IGLOSS：面向激光雷达开放词汇语义分割的图像生成

Nermin Samet, Gilles Puy, Renaud Marlet

机构 * LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM, 巴黎高科桥梁学院, 古斯塔夫·埃菲尔大学, 法国国家科学研究中心） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 本文提出一种新的方法，用于3D汽车激光雷达数据的零样本开放词汇语义分割。通过文本生成图像创建原型，利用2D视觉基础模型提取3D网络特征，实现点云标注，方法在nuScenes和SemanticKITTI上达到最新水平。

Seamless High-Resolution Terrain Reconstruction: A Prior-Based Vision Transformer Approach

无缝高分辨率地形重建：一种基于先验的知识的视觉Transformer方法

Osher Rafaeli, Tal Svoray, Ariel Nahlieli

机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） 纠错

专题命中 激光雷达 ：LiDAR(abstract)；分类 cs.CV、eess.IV

AI总结 本文提出基于单视角的DEM重建方法，利用低分辨率SRTM数据与高分辨率RGB影像结合，生成高分辨率DEM，实现100倍分辨率提升，适用于多区域GIS分析。