面向移动激光扫描道路场景点云强度校正的条件扩散框架

《Engineering Applications of Artificial Intelligence》：A conditional diffusion framework for point cloud intensity correction in mobile laser scanning road scenes

　　

移动激光扫描（MLS）系统所采集的背向散射强度（backscatter intensity）为道路场景分析提供重要线索。然而，实测强度受距离、入射角及表面磨损等采集相关因素显著影响，使得稳定的强度校正颇具挑战。现有方法往往难以建模这些复杂耦合效应。针对此，研究人员提出一种面向移动激光扫描道路场景点云强度校正的条件扩散框架（DiffPCI）。DiffPCI将强度校正建模为渐进去噪过程，通过融合时间步条件与时序几何感知特征聚合的专用噪声估计网络，恢复空间一致性更强的强度值。在多个代表性道路场景数据集上的大量实验表明，DiffPCI在当前评估设定下取得最具竞争力的综合性能。额外的跨域评估为该框架在未见域偏移下的部分鲁棒性提供了初步证据；在两个公开MLS点云数据集上的下游实验进一步证实，校正后强度可提升语义分割的实用效用。上述结果支持了基于扩散建模的MLS道路场景点云强度校正的实效性。代码将公开。

论文解读：面向移动激光扫描道路场景点云强度校正的条件扩散框架

一、研究背景与意义

随着全球城市化进程加快与交通基础设施持续扩展，道路信息的精确获取对智慧城市建设愈发重要。移动激光扫描（Mobile Laser Scanning, MLS）系统因可高效获取密集精确的三维测量数据，成为自动化道路场景采集的重要手段。除几何信息外，MLS点云还记录背向散射强度（backscatter intensity），其蕴含地表属性与材质特征线索，被广泛应用于高精地图构建、路面裂缝检测及其他点云分析任务。然而，实测强度常受扫描仪特性、扫描距离、入射角及表面磨损等耦合因素退化，降低其在实际应用中的可靠性。因此，发展有效的点云强度校正方法对MLS道路场景的精确感知与建图至关重要。

现有强度校正方法主要分为基于物理模型与经验统计两类。基于物理模型的方法源自激光雷达辐射方程，显式考虑大气衰减、扫描仪特性、地表属性及采集几何，虽具物理可解释性，却常需难以获取的精确传感器与环境参数。经验方法则直接从实测数据建立统计关系，避免完全显式物理建模，但两类方法均依赖简化假设，在真实MLS场景中捕捉耦合且空变退化效应的能力有限。对于实际MLS道路场景，更现实的目标是降低采集引入的变异性、恢复较稳定的强度响应，而非绝对物理反射率估计。

近年来，深度学习在图像复原中通过直接从视觉数据学习复杂退化模式取得显著成功。图像复原旨在从受噪声、模糊、雾、雨等退化的输入中恢复信息输出，退化可来自成像自身局限或外部环境。点云强度校正面临类似挑战：扫描距离、入射角及材质相关响应变化等采集因素使辐射响应退化。尽管退化机制不完全相同，二者均需从结构化 corruption 中恢复信息信号，提示图像复原的方法论进展可为点云强度校正提供借鉴。

现有基于深度学习的图像复原主要包括直接回归模型与生成模型。基于回归的模型学习从退化输入到干净目标的直接映射，但在严重或空变退化下常输出过平滑结果。代表性生成范式含VAE、GAN及扩散模型。VAE建模潜变量不确定性以概率重建，但对细微局部细节易仍可能过平滑；GAN通过对抗学习提升感知逼真度，但训练不稳定且可能引入视觉合理却不够忠实的复原。近年，扩散框架通过将恢复建模为渐进逆去噪过程展示出优异复原性能，适合刻画复杂退化与恢复细尺度结构。

受此启发，研究人员进一步探索基于学习的点云强度校正形式化。一种直接策略是将任务视为回归问题，将退化强度直接映射至参考一致值，本文亦实现此类深度学习回归变体作为对照。然而，由于点云强度退化受多耦合因素影响，单步确定性映射是否足以稳健复原尚不明晰。这推动考虑生成建模，后者在复杂空变退化下可更灵活地描述参考目标分布。VAE与GAN分别从概率重建和对抗引导角度提供机制。在此类中，扩散模型通过迭代去噪渐进学习底层数据分布，为复杂退化提供灵活复原机制。本研究将高斯前向扩散用作可处理的复原形式化，而非MLS强度的严格物理退化模型。尽管潜力明显，扩散模型在点云强度校正中仍待深入，主要难点在于点云稀疏、无序、几何不规则，使得基于图像的扩散机制难以直接迁移至三维数据的逐点强度属性复原。

为填补此空白，研究人员提出DiffPCI：专为不规则点云逐点强度校正设计的条件扩散框架。DiffPCI含两个互补阶段：前向阶段逐步向目标强度数据加入高斯噪声；逆向阶段通过专用噪声估计网络跨多扩散步迭代预测与去除噪声，以更高稳定性与结构一致性重建校正强度值。为改进逆扩散中的噪声预测，研究人员设计结合时间步条件的几何感知特征聚合去噪网络，通过嵌入时间步信息及基于注意力的自适应加权，增强扩散步感知并保留局部几何细节，从而在整条逆扩散过程中实现更精确的噪声估计。在多个道路场景数据集上的大量实验表明，DiffPCI取得强量化结果，并为下游分割提供实际增益。

本文发表于《Engineering Applications of Artificial Intelligence》。

二、关键技术方法概览

研究人员以条件扩散建模为主线，构建DiffPCI框架。核心思路是将强度校正视为条件引导的渐进逆高斯去噪过程。主要技术要素包括：

• •
  采用DDPM（Denoising Diffusion Probabilistic Models）式马尔可夫链，前向逐步加噪，逆向通过神经网络学逆转移；
• •
  设计专用噪声估计网络，融合时间步嵌入（time-step conditioning）与几何感知特征聚合（geometry-aware feature aggregation），其中几何感知模块基于点云局部邻域关系，通过注意力式自适应加权（SAP）与改进的点卷积（PADeConv）增强不规则结构感知；
• •
  以参考强度（或较稳定响应）为目标分布，以退化强度及点几何为条件引导逆向轨迹；
• •
  数据集选用多个代表性MLS道路场景数据集，并在公开基准上验证下游语义分割效用。
  整体方法在不严格物理建模的前提下，将采集因素导致的变异性视为可学习逆扩散分布，以数据驱动方式逼近稳定强度响应。

三、研究结果

Related work

研究人员综述点云强度校正、基于深度学习的图像复原及点云扩散模型三类工作，厘清方法论背景与研究空白：物理/经验校正方法的简化假设局限；图像复原中扩散模型的成功；点云扩散在辐射校正中的欠探索与几何适配难点。

Denoising diffusion probabilistic models

阐述DDPM核心：通过前向马尔可夫链逐步将数据分布转为简单分布（如高斯），再学逆过程以从噪声恢复数据。前向：x_t=√_1?βtx_t?1+√_βtε；逆向用θ参数化p_θ(x_t?1|x_t)。该形式化为DiffPCI提供可迁移但适配点云的条件扩散基础。

Experiments

研究人员在多个MLS道路场景数据集上开展综合实验。

• •
  4.1 数据集：介绍所用代表道路场景MLS点云及参考强度获取方式。
• •
  4.2 评估指标与实现细节：采用强度误差、结构相似等量化指标，说明训练超参、扩散步数、网络配置。
• •
  4.3 与现有方法比较：DiffPCI在多项指标上取得当前设定下最具竞争力的综合性能，优于物理基、经验统计及直接回归深度学习对照。
• •
  4.4 泛化与鲁棒性：跨域评估显示，在未见域偏移下DiffPCI提供部分鲁棒性初步证据。
• •
  4.5 消融研究：对关键组件TSF（时间步融合）、SAP（基于注意力的自适应加权）、PADeConv（改进点卷积）的消融表明各模块对性能均有正向贡献，其中几何感知与步条件协同作用明显。
• •
  4.6 模型复杂度与效率分析：讨论参数量、推理耗时与性能权衡，说明扩散步数与实际部署的折中。

Discussion

研究人员指出，DiffPCI将强度校正建模为条件扩散逆过程，为处理MLS数据中难被简化物理假设或单步映射捕捉的耦合空变退化提供了灵活途径。除校正基准上的量化提升外，下游分割实验进一步佐证实用价值。同时，当前框架将高斯前向扩散作为可学习复原形式化而非严格物理退化模型，未来可探索更贴近MLS辐射过程的扩散先验。跨域部分鲁棒性提示扩散分布学习的迁移潜力，但大规模异域评测有待扩展。

四、结论翻译与总结

Conclusion

研究人员提出DiffPCI：一种面向MLS道路场景点云强度校正的条件扩散框架。通过将校正建模为渐进去噪过程，并耦合专用噪声估计网络，DiffPCI为MLS数据中常见的复杂空变退化效应提供了务实解决路径。在多个代表性数据集上的实验表明，DiffPCI在测试设定下取得持续强劲结果。跨域与下游语义分割实验进一步支持其效用与部分鲁棒性。总体而言，条件扩散建模为MLS道路场景点云强度校正提供了有效且具扩展性的新范式。