D-Aug: Enhancing Data Augmentation for Dynamic LiDAR Scenes

创建具有像素级标注的大型LiDAR数据集存在重大挑战。虽然已经开发了许多数据增强方法来减少对手动标注的依赖，但这些方法主要集中在静态场景上，忽视了对于动态场景数据增强的重要性，这对于自动驾驶至关重要。为了解决这个问题，我们提出了D-Aug，一种专门用于增强动态场景的LiDAR数据增强方法。D-Aug提取对象并将它们插入到动态场景中，考虑这些对象在连续帧之间的连续性。为了在动态场景中实现无缝插入，我们提出了一种参考引导方法，涉及动态碰撞检测和旋转对齐。此外，我们提出了一种像素级道路识别策略，以有效确定合适的插入位置。我们使用nuScenes数据集验证了我们的方法，并使用各种3D检测和跟踪方法进行了比较实验，结果表明D-Aug的优越性。

解决问题：论文提出了一种针对动态场景的LiDAR数据增强方法，以解决目前数据增强方法主要集中在静态场景的问题。

关键思路：D-Aug方法提取对象并将其插入到动态场景中，考虑这些对象在连续帧之间的连续性，并提出了参考引导的方法来实现动态碰撞检测和旋转对齐。此外，还提出了像素级道路识别策略来确定适合插入位置。

其他亮点：论文使用nuScenes数据集验证了该方法，并进行了比较实验，结果表明D-Aug方法的优越性。此外，论文还提供了开源代码。

相关研究：目前还没有类似的针对动态场景的LiDAR数据增强方法，但是在静态场景下的数据增强方法已经有很多研究，比如CutPaste、PatchAugment等。