《4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds》

《4DenoiseNet: Adverse Weather Denoising from Adjacent Point Clouds》

一、引言：（阐述研究的动机，说明研究的目的）

问题：恶劣天气下导致激光雷达点云会丢失并离散。
影响：对下游的感知算法的影响（建图缺损，漏检误检…）。
//进行研究的动机或背景

这项研究的意义或目的：为下游的算法（建图，定位，目标检测，导航）提供干净、鲁棒的激光雷达数据。
//研究工作的目的

研究工作的简介：区别于之前的研究，以及数据流在整个框架处理的流程，研究成果效果与之前比较的突出点，是否有实验支撑。
难点：传感器特性，点云稀疏，噪声遮挡，噪声密度变化（个人胡思乱想：卡尔曼滤波是否可以预测密度变化），为什么是难点，因为无法有效区分有效点和噪声点。
针对难点的工作：（创新点吧）深度学习架构学习均方差函数。解决的关键是高效利用时空信息。我们的体系结构通过k近邻卷积核捕捉时空信息以及运动引导的注意机制来研究这些现象。
//主要的研究工作

1、第一个利用时空信息对恶劣天气激光雷达去噪的神经网络方法。
2、提供标注的半模拟数据集，将成为户外激光雷达传感器应用的重要组成，为所有下游任务提供干净的感知数据。
//研究工作的在该邻域的地位和贡献

二、相关研究

传统的方法（ROR，SOR，DROR，DSOR，LIOR，DDIOR）
Dsor: A scalable statistical filter forremoving falling snow from lidar point clouds in severe winter weather.
学习的方法（ Cylinder3D/Searching efficient 3d architectures with sparse point-voxel convolution/Panoptic-polarnet:Proposal-free lidar point cloud panoptic segmentation/Squeezeseg:Convolutional neural nets with recurrent crf for real-time road-object segmentation from 3d lidar point cloud/Squeezesegv2: Improved model structure and unsupervised domain adaptation for road-object segmentation from a lidar point cloud/Squeezesegv3:Spatially-adaptive convolution for efficient point-cloud segmentation/Lite-hdseg: Lidar semantic segmentation using lite harmonic dense convolutions/Pointnet:Deep learning on point sets for 3d classification and segmentation/Point-net++: Deep hierarchical feature learning on point sets in a metric space/Large-scale point cloud semantic segmentation with superpoint graphs/Splatnet: Sparse lattice networks for point cloud processing/Tangent convolutions for dense prediction in 3d/Randla-net: Effi