RangeLDM: Fast Realistic LiDAR Point Cloud Generation

自动驾驶需要高质量的激光雷达数据，但物理激光雷达传感器的成本是一个显著的扩展挑战。虽然最近的研究尝试使用深度生成模型来解决这个问题，但它们通常需要大量计算资源，生成速度慢，而且缺乏真实感。为了解决这些限制，我们引入了RangeLDM，一种通过潜在扩散模型快速生成高质量的激光雷达点云的新方法。我们通过Hough投票校正了范围视图数据分布，以便从点云到范围图像的准确投影，这对生成学习具有重要影响。然后，我们将范围图像压缩到一个潜在空间中，使用扩散模型增强表现力。此外，我们设计了一个范围引导的鉴别器，来指导模型保持3D结构的保真度。在KITTI-360和nuScenes数据集上的实验结果表明，我们的激光雷达点云生成具有鲁棒的表现力和快速的速度。

本论文旨在解决自动驾驶中高质量LiDAR数据的获取成本高的问题，提出一种通过潜在扩散模型快速生成高质量的LiDAR点云的方法。

论文提出了一种新的方法RangeLDM，通过Hough投票来纠正点云到距离图像的投影，将距离图像压缩到潜在空间中，利用扩散模型增强表现力，并设计了一个距离引导的鉴别器来保持3D结构的保真度。

论文在KITTI-360和nuScenes数据集上进行了实验，展示了快速生成高质量LiDAR点云的鲁棒性和速度。值得关注的是，该方法不仅表现出色，而且计算资源消耗较少，速度较快。

最近的相关研究包括使用深度生成模型来生成LiDAR点云的工作，但这些方法通常需要大量的计算资源和缺乏真实性。