Towards Dense and Accurate Radar Perception Via Efficient Cross-Modal Diffusion Model

这篇论文讨论了毫米波雷达的应用，由于其能够在极端天气条件下工作，因此在学术界和工业界引起了广泛关注。然而，毫米波雷达在稀疏性和噪声干扰方面存在挑战，这限制了它们在微型飞行器（MAV）自主导航领域的应用。因此，本文提出了一种新的方法，通过跨模态学习实现密集和准确的毫米波雷达点云构建。具体而言，我们引入了扩散模型，这种模型在生成建模方面具有最先进的性能，可以从成对的原始雷达数据中预测类似于激光雷达的点云。我们还结合了最新的扩散模型推理加速技术，以确保所提出的方法可以在计算资源有限的MAV上实现。通过广泛的基准比较和实际实验验证了所提出的方法，证明了其卓越的性能和泛化能力。代码和预训练模型可在https://github.com/ZJU-FAST-Lab/Radar-Diffusion上获得。

本文旨在通过交叉模态学习提出一种新方法，解决毫米波雷达在微型飞行器自主导航中面临的稀疏性和噪声干扰问题。

本文提出了一种使用扩散模型从原始雷达数据预测类似于LiDAR的点云的方法，以实现密集和准确的毫米波雷达点云构建。同时，该方法使用最新的扩散模型推理加速技术，以确保在计算资源有限的微型飞行器上实现。

本文通过广泛的基准比较和实际实验验证了所提出方法的卓越性能和泛化能力。研究人员还提供了代码和预训练模型，并使用了多个数据集进行实验，包括真实世界数据集和合成数据集。此外，本文的方法还可以应用于其他领域，如机器人导航和自动驾驶。

最近的相关研究包括《DeepMVP：用于毫米波雷达点云处理的深度多视点投影网络》和《基于深度学习的雷达点云解析重建：现状与展望》。