Diffusion-Based Point Cloud Super-Resolution for mmWave Radar Data

本文介绍了毫米波雷达传感器在恶劣环境下保持稳定性能的特点，使其成为解决全天候感知任务（如户外移动机器人）的有前途的解决方案。然而，雷达点云相对稀疏且包含大量幽灵点，这极大地限制了毫米波雷达技术的发展。因此，本文提出了一种新的3D毫米波雷达数据点云超分辨率方法，名为“Radar-diffusion”。该方法采用由均值回归随机微分方程定义的扩散模型。通过使用我们提出的新目标函数，并在相应的LiDAR点云的监督下，我们的方法有效处理雷达幽灵点，并将稀疏的毫米波雷达点云增强为密集的类LiDAR点云。我们在两个不同的数据集上评估了我们的方法，实验结果表明，我们的方法在3D雷达超分辨率任务中优于现有的基准方法。此外，我们证明了我们增强的雷达点云能够胜任下游的雷达点云配准任务。

本论文旨在解决毫米波雷达点云数据稀疏且存在干扰点的问题，提出了一种新的点云超分辨率方法，名为Radar-diffusion。

论文的关键思路是利用均值回归随机微分方程定义的扩散模型，结合对应的LiDAR点云的监督，有效地处理雷达干扰点，将稀疏的毫米波雷达点云增强为密集的LiDAR点云。

论文的实验表明，该方法在3D雷达超分辨率任务中优于现有的基准方法。此外，增强后的雷达点云可以用于下游雷达点云配准任务。论文使用了两个不同的数据集进行评估，但未提供开源代码。

近期的相关研究包括：1. PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud，2. 3D Object Detection with Point Transformer，3. PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection。