DeSnow-GNN：一种时空图神经网络，用于在恶劣天气条件下对LiDAR点云数据进行鲁棒的去噪处理

《ADVANCED ENGINEERING INFORMATICS》：DeSnow-GNN: Spatiotemporal graph neural network for robust LiDAR point cloud denoising in adverse weather

LiDAR点云去噪面临天气噪声干扰及实时性挑战，本文提出基于图神经网络（GNN）的DeSnow-GNN框架，通过动态邻域搜索构建图结构、轻量级时空特征融合模块实现高效去噪，在WADS和CADC数据集上达到97.4%精度与95.3% F1-score，支持24.86ms/帧实时处理，并验证其跨天气类型泛化能力。

　　

廖乐志|丁晓|朱坤|梅亮|欧海燕

中国电子科技大学深圳高等研究院，深圳 518100，中国

摘要

激光雷达（LiDAR）传感器在自动驾驶和机器人技术中得到广泛应用，但容易受到雪、雨和雾等恶劣天气条件的影响，这些因素会引入虚假测量值，从而降低其性能。现有的去噪方法，包括基于规则的异常值去除和二维卷积神经网络（CNN），在实时处理和处理稀疏、不规则点云数据方面面临挑战。为了解决这些问题，我们提出了DeSnow-GNN，这是一种基于图神经网络（GNN）的新型框架，用于在恶劣天气条件下进行稳健的点云去噪。我们的方法利用图结构表示来捕捉点云的空间和时间特征，从而在保持结构完整性的同时高效去除噪声。该模型结合了动态半径搜索用于边构建、轻量级的配准方法用于时间特征提取，以及运动门控模块用于时空融合。在真实世界数据集（WADS和CADC）上的广泛实验表明，DeSnow-GNN取得了先进的性能，在WADS数据集上实现了最高的精度（97.4%）和平衡的F1分数（95.3%），同时保持了竞争性的召回率（93.5%）。此外，该框架还表现出对其他类型噪声（如雨和雾）的强大泛化能力，突显了其在实际应用中的多功能性。

引言

光检测与测距（LiDAR）是一类主动传感器，通过发射激光并检测周围物体的回波来检测物体。它受外部光线的影响很小，可以直接检测距离，因此在自动驾驶和机器人技术领域得到广泛应用[1]、[2]、[3]、[4]。然而，LiDAR对空气中的颗粒物（如雨滴、雾或雪花）很敏感，这些颗粒物会反射和折射激光光，产生不必要的噪声点[5]、[6]、[7]、[8]，如图1(a)和(b)所示。这个问题会直接影响LiDAR感知周围空间的能力。此外，大多数点云感知算法都是基于干净的点云数据，这将降低它们的检测和跟踪能力[9]、[10]、[11]、[12]。

关于点云去噪的先前研究提出了基于异常值去除和二维CNN的方法。如图2(a)所示，异常值去除通常应用从点特征和邻居关系中得出的标准。这些标准包括局部密度分析和反射强度等分析技术[13]、[14]、[15]、[16]。然而，这些过滤器严重依赖于手工制定的阈值和距离依赖的启发式方法，这些方法特定于传感器，难以调整且计算成本高。这些局限性需要基于学习的方法来自适应地过滤噪声。

基于CNN的方法将点云离散化为网格结构以进行卷积处理[17]、[18]、[19]、[20]，如图2(b)所示。然而，这些过程在处理稀疏、不均匀的LiDAR点云时不可避免地会导致信息丢失和网格分辨率限制，而且它们的时间建模要么与帧无关，要么仅限于二维图像空间，这使得难以充分利用由天气引起的噪声的独特时空模式。

这些观察结果促使我们采用基于图的时空建模方法。图结构本身能够适应不规则的点云，避免网格引起的量化误差，而GNN的邻域聚合机制则匹配了去噪所需的局部几何依赖性。通过使用点云状态作为直接输入，提供了强大的先验信息，简化了学习目标（而不是二维图像）。此外，时空特征集成提高了准确性和鲁棒性，实现了实时去噪。

如图3所示，DeSnow-GNN由三个核心组件组成：（1）图构建：将输入的点云转换为图结构数据；（2）顶点分类：通过基于时空融合的图神经网络预测每个顶点的噪声概率；（3）点去噪和重建：去除噪声顶点并重建点云。上半部分展示了算法的工作流程，下半部分提供了详细的组件分解。

我们在多个LiDAR点云数据集上评估了所提出的方法，包括冬季恶劣驾驶数据集（WADS）[21]和加拿大恶劣驾驶条件数据集（CADC）[22]。全面的实验结果证实，DeSnow-GNN在各种恶劣天气条件下都能有效去除噪声。

总结来说，本文的贡献包括：

• •
  新型基于GNN的点云去噪框架：我们提出了首个专为LiDAR点云去噪设计的GNN架构，该架构创新性地结合了空间分布分析和运动特征融合，以准确区分雪噪声和有效点。
• •
  轻量级的时间特征提取：我们设计了一个高效的点云配准模块，用于从连续帧中提取时间特征，实现了实时去噪性能。
• •
  广泛的实验验证：通过在真实世界的雪天驾驶数据集（WADS和CADC）上的严格评估，我们的方法显示出相对于现有最先进方法的持续优越性。

章节片段

点云上的雪去除

基于规则的方法：由于大雨、雾或雪等恶劣天气导致的噪声点云，其分布密度较低，反射强度较弱。基于这些特征，采用了基于异常值去除的经典方法。半径异常值去除（ROR）计算点云固定半径内的邻居数量，并在它们低于设定阈值时将其移除[13]。统计异常值去除（SOR）

用于点云去噪的DeSnow-GNN

在本节中，我们描述了所提出的DeSnow-GNN点云去噪方法。图3顶部展示了整体算法工作流程，底部详细介绍了其三个核心组件。这些组件在以下小节中进行了详细阐述。

实验

为了验证和评估DeSnow-GNN的有效性，我们在三个开源数据集上进行了全面实验，旨在解决以下研究问题：

• •
  DeSnow-GNN是否优于其他最先进的方法？
• •
  DeSnow-GNN架构中的每个组件如何贡献于模型的性能？
• •
  DeSnow-GNN对超参数变化的敏感性如何？
• •
  DeSnow-GNN的计算复杂性如何？
• •
  DeSnow-GNN是否具有泛化能力

结论

本研究提出了DeSnow-GNN，这是一种用于恶劣天气条件下LiDAR点云去噪的新型图神经网络框架。其核心创新在于使用图结构表示进行点云去噪，以及有效的时空特征融合网络，共同实现了先进的性能——在WADS数据集上达到了97.4%的精度和95.3%的F1分数，同时保持了实时处理能力（24.86毫秒/帧）。值得注意的是，该方法表现出很强的

CRediT作者贡献声明

廖乐志：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，监督，软件，方法论，调查，数据管理，概念化。丁晓：项目管理，资金获取，正式分析。朱坤：资金获取，正式分析。梅亮：监督，项目管理，资金获取，正式分析。欧海燕：撰写——审阅与编辑，验证，监督，调查，资金获取，正式分析。

写作过程中生成式AI和AI辅助技术的声明

在准备本手稿时，作者使用了ChatGPT来提高语言的清晰度和流畅性。随后，作者对内容进行了审阅和编辑，并对发表的文章负全责。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了四川省科技计划（编号：2026NSFSC0398）和中国气象联合基金基础与应用基础研究基金会（编号：2024A1515510017）的支持。