De-snowing LiDAR Point Clouds With Intensity and Spatial-Temporal Features

ICRA是机器人方向的顶会还有IROS，但是这两个会议规模太大，鱼龙混杂，没有源码的论文需要多加斟酌//期刊还有IJRR，JFR和TRO。
Idea is cheap , show me your code.

结论

从三维和W-T空间提取时空特征，从而滤除雪点保存非雪点。

引言

提及：仅使用受多种因素影响的强度信息是不能将雪点与物体点有效地区分开。
问题1：利用强度值去除噪声的同时减少对有效点的剔除。这个也是我要解决的问题。
问题2：利用点的分布和运动轨迹将雪点区分出来

论文：先利用LIOR对点进行粗区分，在利用空间的KNN均值，和多帧点云平面投影中点的轨迹，对真值进行修复。
节二：相关研究。
节三：动机
节四：方法
节五：实验
节六：总结

相关研究

一、基于空间特征的去噪：
体素降采样、SOR、DROR
二、基于机器学习和强度：
weathernet \LIOR
对相关研究的总结：已有算法忽略的连续的时空信息，单个帧的数据是不充足的，重点：单帧去雪基于稀疏点更偏向雪点的假设[23]，但是当雪稠密时这种假设便不合适了。

动机展示

通过展示当前的一些场景的点云数据，比对当前的去噪算法。
上位机配置，各算法参数设置。
总结当前算法去噪效果。