用基础模型引导扩散恢复 LiDAR 分辨率

高光束数 LiDAR 传感器成本高昂，但许多感知管道需要密集的角度采样。我们使用预训练的稳定扩散模型作为 骨干模型，微调是一个 LiDAR 条件深度模型，具有来自 2D 基础模型的伪深度目标。在训练期间，LiDAR 调节在不同的光束预算下随机抽取。然后，我们研究可以从严重抽取的输入中恢复多少 LiDAR 扫描，并表征整个输入光束预算的性能。我们根据 nuScenes 上的物理 保留测试 真实光束进行评估，并与拟合精度分开报告恢复情况。我们的模型在非常稀疏的情况下产生了最大的优势，从 $4$ 波束输入实现了 $66.8$% 的 $δ_{1.25}$ 精度，其中分散插值仅达到 $45.1$%。类分层误差分解进一步表明，平面首先恢复，而引入深度不连续性的物体最早退化。这些结果共同量化了基础模型引导 LiDAR 增强的恢复/分辨率权衡。