据外媒报道，中国浙江大学（Zhejiang University）、北京大学（Peking University,）与浙江绿色智行科创有限公司（Zhejiang Green Zhixing Technology co., ltd）的研究人员合作研发了一款突破性模型ScoreLiDAR，可将3D场景的构建完成速度提高5倍，为实时自动驾驶车辆感知技术的发展铺平了道路。

场景重建（图片来源：浙江大学）

背景

利用车载传感器进行高效且精确的环境识别，对于确保自动驾驶汽车的安全运行至关重要。在众多传感器中，3D激光雷达（LiDAR）因高精度和广泛的探测范围而成为一款不可或缺的组件。不过，激光雷达生成的3D点云往往比较稀疏，特别是在有遮挡或复杂驾驶场景下，这对于场景理解造成了挑战。因此，需要对激光雷达场景进行补全，即通过稀疏的输入信息重建出密集的3D场景，从而实现更好的感知。

传统的激光雷达场景补全方法包括基于深度补全和基于有符号距离场（SDF）的技术。此类方法有一定效果，但是通常存在细节丢失或受制于体素分辨率等的不足。最近，扩散模型被引入到激光雷达补全领域，并显示出强大的训练稳定性及高质量的生成结果。例如，LiDiff和扩散语义场景补全（DiffSSC）技术通过改进噪声调度和融合语义任务，显著提升了生成场景的丰富度。不过，此类模型的采样过程缓慢，限制了其应用于实时应用，而此类实时应用对于自动驾驶汽车而言至关重要。

为了解决上述问题，研究人员们推出了新型蒸馏框架ScoreLiDAR，专为基于扩散模型的激光雷达场景补全而设计。ScoreLiDAR通过将蒸馏框架引入训练过程，用一个预训练的教师扩散模型训练一个精简的学生模型，以及结合结构损失提升几何精度，极大地加快了场景补全的速度，同时保持了卓越的场景质量，而且通过广泛的实验得到了验证。