《Optics and Lasers in Engineering》：Adaptive dual-weighted gravitational point cloud denoising method
编辑推荐：
针对LiDAR点云噪声抑制难题，提出自适应双权重引力去噪方法。通过体素占据统计与k-NN密度估计快速去除孤立噪声点，构建密度-距离双权重引力评分函数实现噪声-目标点有效分离。实验表明该方法在F1、PSNR、Chamfer Distance指标及运行效率上均优于现有方法。
张戈|王春阳|刘斌|关曦
西安工业大学光电工程学院，中国陕西省西安市710000
摘要
高质量的点云数据是自动驾驶和环境感知等任务的基础。然而，当使用LiDAR获取点云时，各种干扰通常会引入大量噪声点，从而降低基于点云的物体检测和识别的准确性。为了解决现有点云去噪方法在同时实现高去噪精度、边缘保持和实时性能方面面临的挑战，本文提出了一种基于自适应双权重的引力点云去噪方法。具体而言，首先设计了一种噪声预去除方案，该方案通过自适应体素占用统计和k最近邻（k-NN）密度估计快速消除明显孤立和低密度的噪声点，有效压缩候选点集并提高整体计算效率。在此基础上，构建了一种双权重引力评分函数，结合自适应密度权重和距离权重，实现对噪声点和物体点之间的精细区分。在Stanford 3D Scanning Repository、Canadian Adverse Driving Conditions（CADC）数据集以及实验室收集的LiDAR点云数据上的实验结果表明，与现有方法相比，所提出的方法在各种噪声条件下都能提高F1分数、PSNR、Chamfer Distance（CD）和运行时间。
引言
LiDAR已成为自动驾驶和环境感知领域的核心传感器之一。通过发射脉冲光并测量返回回波的往返时间，LiDAR可以准确获取周围场景的三维结构信息[1]。生成的点云数据提供了环境几何的高精度表示，支持物体检测[2]、物体识别[3]和跟踪[4]等下游任务。在自动驾驶和环境感知中，高质量的点云数据是精细感知道路场景、语义理解环境和安全路径规划的关键基础。
在复杂的动态环境中，LiDAR测量过程不可避免地会受到各种干扰源的影响，导致不同级别和类型的噪声点被引入点云中。根据它们的空间分布和连通性，点云噪声通常被分为远离主体物体的噪声点、噪声点簇以及混合在物体内部和表面的噪声点[5]。这些噪声点不仅降低了点云的信噪比（SNR），严重扭曲了物体的空间分布特征，还破坏了基于点云的物体检测、语义分割和物体跟踪等后续感知任务的可靠性。因此，点云去噪已成为基于LiDAR的环境感知中的关键预处理步骤。如何设计一种能够同时实现高去噪精度、强物体几何结构保持和高处理速度的点云去噪算法，是推动LiDAR在自动驾驶和环境感知等领域深入应用的关键问题，同时对电光传感和激光应用研究也有重要意义。
相关研究
相关工作
当前的点云去噪方法大致可以分为基于滤波的方法[[6], [7], [8], [9], [10]]、基于优化的方法[11,12]和基于深度学习的方法[[13], [14], [15], [16]]。基于深度学习的去噪方法利用神经网络学习物体的形状先验，并通过设计适当的网络架构来预测点位移向量，从而从噪声点云中恢复物体表面，展现出强大的形状自适应双权重引力去噪方法原理
本节介绍了自适应双权重引力点云去噪方法的整体流程和理论推导。如图1所示，首先使用八叉树对输入点云进行空间递归划分，将大规模点云分解为多个叶节点，并在叶级别并行处理，从而显著减少每个邻域搜索涉及的点数并提高整体效率
实验与结果分析
本节对所提出的自适应双权重引力去噪方法进行了实验验证和结果分析。首先，我们介绍了用于衡量去噪质量和计算开销的数据准备、评估指标和参数设置。随后，在公共数据集上进行了对照实验，比较了不同的噪声比和类型，以验证该方法在复杂噪声环境中的有效性。接下来，我们在
结论
本文解决了点云去噪问题，并提出了一种基于自适应双权重的引力点云去噪方法。首先，使用八叉树对点云进行空间划分，实现局部并行性和尺度适应性，并为后续的密度估计和加权引力计算提供高效的数据结构。然后，结合k-NN密度估计的体素占用计数用于去除大多数孤立点
其他活动
没有其他需要披露的活动。所有作者均未披露相关利益关系。
CRediT作者贡献声明
张戈：概念化、方法论、验证、形式分析、撰写 – 审阅与编辑、撰写 – 原稿、可视化。王春阳：资源提供、监督。刘斌：撰写 – 审阅与编辑、可视化、调查。关曦：数据整理。
利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。
