Source-Only Cross-Weather LiDAR via Geometry-Aware Point Drop

📄 arXiv: 2511.01250v2 📥 PDF

作者: YoungJae Cheong, Jhonghyun An

分类: cs.CV

发布日期: 2025-11-03 (更新: 2025-11-06)

💡 一句话要点

提出几何感知点丢弃适配器，提升LiDAR在恶劣天气下的语义分割性能。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: LiDAR语义分割 恶劣天气 几何感知 点云处理 领域自适应

📋 核心要点

  1. 恶劣天气导致LiDAR点云几何结构退化，现有方法难以有效应对边界、角落等结构脆弱区域。
  2. 提出几何感知适配器，通过方位角对齐、圆形填充和局部统计信息提取，增强几何特征表达。
  3. 实验表明，该适配器在跨天气场景下显著提升了LiDAR语义分割的mIoU，验证了几何驱动正则化的有效性。

📝 摘要（中文）

LiDAR语义分割在恶劣天气下性能下降，因为折射、散射和点云丢失破坏了几何结构。现有工作侧重于天气模拟、混合增强、领域随机化以及不确定性或边界正则化，但忽略了边界、角落和稀疏区域附近的结构脆弱性。本文提出了一种轻量级的几何感知适配器。该模块对齐方位角并应用水平圆形填充，以保持0~360度环绕边界上的邻域连续性。局部窗口K近邻算法收集附近点云并计算局部统计信息，压缩为紧凑的几何感知线索。在训练期间，这些线索驱动区域感知正则化，稳定结构脆弱区域的预测。该适配器是即插即用的，补充数据增强，并且可以在训练期间启用，推理成本可忽略不计。在仅源域跨天气设置下，模型在SemanticKITTI上训练，并在SemanticSTF上评估，无需目标标签或微调。该适配器比数据增强基线提高了7.9个百分点的mIoU，比以类别为中心的正则化基线提高了0.6个百分点。结果表明，几何驱动的正则化是全天候LiDAR分割的关键方向。

🔬 方法详解

问题定义：论文旨在解决恶劣天气下LiDAR语义分割性能显著下降的问题。现有方法，如数据增强和领域自适应，虽然在一定程度上提高了鲁棒性，但忽略了点云数据中固有的结构脆弱性，尤其是在边界、角落和稀疏区域，这些区域的点云更容易受到天气影响而丢失或变形，导致分割错误。

核心思路：论文的核心思路是通过引入几何感知正则化来稳定这些结构脆弱区域的预测。具体来说，利用局部邻域的几何信息来指导正则化过程，使得模型在训练过程中更加关注这些区域的特征学习，从而提高模型在恶劣天气下的泛化能力。这种方法的核心在于利用点云数据本身蕴含的几何结构信息，而不是仅仅依赖于数据增强或领域自适应等外部手段。

技术框架：整体框架包含以下几个主要模块：1) 方位角对齐和圆形填充：用于处理LiDAR扫描的环绕边界，保证邻域的连续性。2) 局部窗口K近邻：用于收集每个点附近的点云，并计算局部统计信息。3) 几何感知线索提取：将局部统计信息压缩成紧凑的几何感知线索，用于指导正则化过程。4) 区域感知正则化：利用几何感知线索，对结构脆弱区域的预测进行正则化，稳定模型的输出。该适配器可以作为插件集成到现有的LiDAR语义分割模型中，并且只在训练阶段使用，推理阶段可以移除，从而保证了推理效率。

关键创新：最重要的技术创新点在于提出了几何感知的正则化方法。与现有的正则化方法不同，该方法不是简单地对模型的参数或输出进行约束，而是利用点云数据的几何结构信息来指导正则化过程。这种方法能够更加有效地稳定结构脆弱区域的预测，从而提高模型在恶劣天气下的鲁棒性。

关键设计：关键设计包括：1) 方位角对齐和圆形填充：保证了邻域的连续性，避免了边界效应。2) 局部窗口K近邻：选择合适的K值，平衡了计算复杂度和信息量。3) 几何感知线索提取：设计合适的压缩方法，既能保留关键的几何信息，又能降低计算成本。4) 区域感知正则化：设计合适的损失函数，使得模型更加关注结构脆弱区域的特征学习。

📊 实验亮点

实验结果表明，该适配器在SemanticSTF数据集上，相对于数据增强基线，mIoU提升了7.9个百分点，相对于以类别为中心的正则化基线，mIoU提升了0.6个百分点。这些结果表明，几何驱动的正则化是提高LiDAR语义分割在恶劣天气下性能的关键。

🎯 应用场景

该研究成果可应用于自动驾驶、机器人导航、智慧城市等领域，尤其是在恶劣天气条件下，能够提高LiDAR感知系统的可靠性和安全性。例如，在雨雪天气中，自动驾驶汽车可以更准确地识别道路上的障碍物和交通标志，从而避免交通事故。此外，该方法还可以用于改善三维重建和环境建模的精度。

📄 摘要（原文）

LiDAR semantic segmentation degrades in adverse weather because refraction, scattering, and point dropouts corrupt geometry. Prior work in weather simulation, mixing-based augmentation, domain randomization, and uncertainty or boundary regularization improves robustness but still overlooks structural vulnerabilities near boundaries, corners, and sparse regions. We present a Light Geometry-aware adapter. The module aligns azimuth and applies horizontal circular padding to preserve neighbor continuity across the 0~360 degree wrap-around boundary. A local-window K-Nearest Neighbors gathers nearby points and computes simple local statistics, which are compressed into compact geometry-aware cues. During training, these cues drive region-aware regularization that stabilizes predictions in structurally fragile areas. The adapter is plug and play, complements augmentation, and can be enabled only during training with negligible inference cost. We adopt a source-only cross-weather setup where models train on SemanticKITTI and are evaluated on SemanticSTF without target labels or fine-tuning. The adapter improves mIoU by 7.9 percentage points over the data-centric augmentation baseline and by 0.6 points over the class-centric regularization baseline. These results indicate that geometry-driven regularization is a key direction for all-weather LiDAR segmentation.