基于场景补全学习上下文形状先验的稀疏单次扫描LiDAR点云分割

激光雷达点云分析是三维计算机视觉的核心任务，特别是在自动驾驶领域。然而，由于单次扫描激光雷达点云存在严重的稀疏性和噪声干扰，准确的语义分割难以实现。在本文中，我们提出了一种新颖的基于学习上下文形状先验的稀疏激光雷达点云语义分割框架。实际应用中，可以通过任何合适的网络对单次扫描点云进行初步的语义分割（SS），然后将其作为输入传递给语义场景补全（SSC）模块。通过将激光雷达序列中的多个帧合并为监督信号，优化后的SSC模块从顺序激光雷达数据中学习到了上下文形状先验，从而将稀疏的单次扫描点云补全为密集的点云。因此，该方法通过完全端到端的训练内在地提升了SS的优化效果。此外，我们还提出了一个点体素交互（PVI）模块，以进一步增强SS和SSC任务之间的知识融合，即促进点云局部不完整几何结构与体素全局完整结构之间的交互。更重要的是，在推理过程中可以丢弃辅助的SSC和PVI模块而不增加额外负担来完成SS任务。大量实验表明，我们的JS3C-Net在SemanticKITTI和SemanticPOSS基准测试中均表现出优异性能，分别实现了4%和3%的性能提升。