编辑推荐：
现有的激光雷达（LiDAR）超分辨率方法主要旨在增加点云密度或提高坐标重建精度。然而，它们往往在重建过程中引入模糊边缘和扭曲平面，难以保持局部场景几何的一致性。为了解决这一问题，本文提出了一种结构一致性感知的LiDAR超分辨率方法，旨在在边缘和平面区域保持重建
现有的激光雷达（LiDAR）超分辨率方法主要旨在增加点云密度或提高坐标重建精度。然而，它们往往在重建过程中引入模糊边缘和扭曲平面，难以保持局部场景几何的一致性。为了解决这一问题，本文提出了一种结构一致性感知的LiDAR超分辨率方法，旨在在边缘和平面区域保持重建点云相对于真实点云的局部几何关系。具体而言，研究人员首先利用多尺度空洞卷积融合相邻帧的互补观测。然后采用各向异性Swin Transformer和坐标感知结构增强（Coordinate-Aware Structure Enhancement, CASE）模块来适应LiDAR水平密集和垂直稀疏的采样模式，加强长距离几何建模，并减少关键结构信息的损失。在训练过程中，研究人员设计了一种基于局部曲率的结构一致性损失，分别约束边缘锐度和平面平滑度。在推理过程中，研究人员结合预测不确定性和点云高度自适应地移除低置信度点，进一步提高重建点云的几何可靠性。在KITTI数据集上的实验表明，该方法实现了0.4916的平均绝对误差（Mean Absolute Error, MAE）和0.4633的交并比（Intersection over Union, IoU），在两个指标上均优于代表性对比方法。当重建点云应用于A-LOAM时，平均相对平移误差（Relative Translation Error, RTE）和相对旋转误差（Relative Rotation Error, RRE）分别降低了34.6%和31.2%。此外，在自采集的CSU-SLAM数据集上的实验初步证明了该方法在不同LiDAR配置下对室内和室外场景的适用性。
**论文解读：结构一致性感知的激光雷达超分辨率方法**
**研究背景与问题**
激光雷达（LiDAR）作为移动机器人和自动驾驶系统中的核心环境感知传感器，其输出的三维点云为高精度场景理解与下游任务（如三维重建、目标检测）提供了基础。高分辨率点云能够精细表示环境几何结构并提供密集稳定的空间拓扑信息，但LiDAR的物理分辨率（尤其是垂直扫描线数）受限于传感器硬件架构与制造成本，高分辨率设备价格昂贵且难以大规模部署。因此，通过算法手段在低成本传感器平台上提升点云分辨率成为平衡系统成本与感知性能的重要途径，推动了LiDAR超分辨率技术的发展。然而，现有LiDAR超分辨率方法主要聚焦于增加点云密度或提高坐标重建精度，却往往在重建过程中引入模糊边缘和扭曲平面，难以保持局部场景几何的一致性。在SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）等下游任务中，仅仅增加点云密度并不一定能提升定位性能，系统性能高度依赖于结构特征的清晰度与稳定性。现有方法难以将超分辨率的重建增益有效转化为定位精度的提升。因此，如何有效保持超分辨率重建过程中的结构一致性，成为LiDAR超分辨率领域的重要问题。
**研究内容与结论**
为解决上述问题，研究人员提出了一种结构一致性感知的LiDAR超分辨率方法。该方法通过整合多尺度空洞卷积融合（Multi-scale Dilated Convolution Fusion, MDCF）、各向异性Swin Transformer、坐标感知结构增强（Coordinate-Aware Structure Enhancement, CASE）模块以及不确定性引导高度自适应滤波，有效提升了高分辨率点云的几何完整性与结构可靠性。同时，研究人员设计了基于局部曲率的结构一致性损失函数，使网络在重建过程中明确关注并保持边缘和平面等关键几何特征的清晰度与完整性。在KITTI公开数据集上的实验表明，该方法在平均绝对误差（MAE）和交并比（IoU）两项核心超分辨率指标上均优于现有主流方法，MAE达到0.4916，IoU达到0.4633。当重建点云应用于经典LiDAR SLAM框架A-LOAM时，相对平移误差（RTE）和相对旋转误差（RRE）分别降低了34.6%和31.2%。在自采集的CSU-SLAM数据集上，该方法在室内退化场景和复杂室外环境中均表现出良好的定位与建图性能，验证了其在提升点云几何质量的同时对下游任务的正向作用。该论文发表在《Photonics》期刊。
**关键技术方法（不超过250字）**
研究人员采用的主要关键技术方法包括：1) 多尺度空洞卷积融合（MDCF）模块，利用多帧时间信息补偿空间稀疏性，通过不同空洞率的并行分支融合局部细节与残差空间变化；2) 各向异性Swin Transformer，采用细长令牌划分和水平单向窗口移位策略，适应LiDAR水平密集垂直稀疏的采样模式，增强长距离几何建模；3) 坐标感知结构增强（CASE）模块，在跳跃连接中嵌入物理坐标先验，通过提取垂直结构向量与绝对坐标拼接生成空间注意力权重，校准编码器特征；4) 不确定性引导高度自适应滤波，在推理阶段采用MC Dropout（蒙特卡洛丢弃）进行多次随机前向传播，结合高度相关的非线性Sigmoid阈值滤除低置信度点；5) 基于局部曲率的结构一致性损失，分别约束边缘锐度与平面平滑度。样本队列来源：训练和测试使用KITTI数据集（序列00–08训练，09–10测试，覆盖城市道路场景）；额外测试使用自采集CSU-SLAM数据集（中南大学校园，配备Leishen C16 LiDAR（16线）和RTK系统，包含室内走廊和室外校园场景，仅用于测试）。
**研究结果**
**4.1 实验设置**
研究人员以KITTI数据集为基准进行训练与测试，并引入自采集CSU-SLAM数据集评估不同传感器与场景下的适用性。网络输入为4帧连续低分辨率距离图像（16×1024），目标输出为64×1024（4倍垂直上采样）。对比方法包括隐式方法LIIF和显式方法LiDAR-SR、TULIP。评价指标包括超分辨率重建的MAE和IoU，以及下游SLAM的RTE和RRE。
**4.2 KITTI数据集验证**
通过定量比较，所提方法在MAE（0.4916）和IoU（0.4633）上均优于所有对比方法，较次优方法TULIP分别提升约7.6%和12.7%。定性可视化显示，在建筑立面等大平面区域，所提方法重建的点云平面更连续、点分布更均匀，边缘更清晰，漂浮异常点显著减少。消融实验表明，各向异性Swin Transformer贡献最大，移除后性能下降最显著；MDCF、运动补偿、CASE模块、自适应滤波和结构一致性损失均对性能有正向贡献。多帧输入实验显示，4帧输入最优，进一步增加帧数性能略有下降；不同输入扫描线数（8、16、32线）实验表明方法能适应不同稀疏程度。多帧输入对比实验（将LiDAR-SR和TULIP也扩展为4帧输入）表明，在相同输入条件下，所提方法仍最优，MAE和IoU分别比4帧TULIP降低约3.2%和提升5.3%。SLAM实验表明，所提方法重建的点云在A-LOAM上显著降低RTE和RRE（序列09上分别降低38.2%和32.9%，序列10上分别降低31.0%和29.5%），而LIIF甚至降低了定位精度，说明结构一致性对SLAM性能至关重要。
**4.3 自采集数据集验证**
在自采集CSU-SLAM数据集上，由于缺乏高分辨率真值，仅进行定性重建质量评估和SLAM性能测试。室内走廊场景中，所提方法重建的墙面和地面更平坦，走廊轮廓线性度和连续性更好，墙地交线更清晰，远距离无结构扭曲。室外校园场景中，所提方法重建的建筑立面更平坦，建筑转角、道路边界和树木与背景间的几何边界更清晰连续。SLAM测试中，室内走廊序列的端点位置误差（EPE）较原始点云降低24.0%；室外校园序列的RTE和RRE分别降低23.9%和25.0%，优于所有对比方法。建图结果进一步显示，所提方法重建的点云在室内外场景中均能生成更一致的地图，墙面平行度好、厚度均匀，建筑轮廓完整。计算效率方面，所提方法平均每帧处理时间为88.4 ms（约11.3 Hz），满足10 Hz LiDAR的在线处理需求。
**总结与讨论**
论文讨论部分指出，该方法仍存在计算开销较大、对动态场景和跨传感器设置的适应性有限等局限性。此外，CSU-SLAM数据集缺乏密集真值，且下游评估仅使用A-LOAM，方法的通用适用性需要进一步验证。未来工作将聚焦于提升实时性、鲁棒性和跨场景泛化能力，并在实际应用中进行更广泛的评估。
**研究结论翻译**：为解决现有LiDAR超分辨率方法难以有效保持重建过程中结构一致性的问题，本文提出了一种结构一致性感知的LiDAR超分辨率方法。通过整合MDCF模块、各向异性Swin Transformer、CASE模块和不确定性引导高度自适应滤波，所提方法有效提升了高分辨率点云的几何完整性与结构可靠性。同时，设计了基于局部曲率的结构一致性损失函数，使网络在重建过程中明确关注并保持边缘和平面等关键几何特征的清晰度与完整性。在KITTI公开数据集和自采集CSU-SLAM数据集上的实验结果表明，所提方法在MAE和IoU等核心超分辨率指标上优于现有主流方法，并能生成结构清晰、几何可靠性高的高分辨率点云。当重建点云应用于经典LiDAR SLAM框架A-LOAM时，RPE值显著降低。所提方法在室内退化场景和复杂室外环境中均表现出良好的定位与建图性能，验证了其在提升点云几何质量的同时对下游任务的正向作用。
