SuperiorGAT: スパース化された LiDAR パー・クラウドの再構築のための自律システム用グラフAttentionネットワーク

arXiv:2512.22439v3 発表タイプ: 置換 要約：自律システムにおける LiDAR ベーサードの感知は、固定された垂直ビーム解像度に制約され、環境の遮蔽によるビームの欠落によりさらに悪化しています。本研究では、欠落した高度情報を再構築するためのグラフ Attention ベースのフレームワーク「SuperiorGAT」を導入します。LiDAR スキャンをビームアウェアなグラフとしてモデル化し、ゲート付き残差融合とフーフワードリファイナメントを組み込むことで、SuperiorGAT はネットワーク深さを増やすことなく精度の高い再構築を可能にします。性能評価のために、有向ビームの欠落は、垂直スキャンビームの 4 分の 1 を削除することでシミュレートされます。Person、Road、Campus、City のシーケンスを含む多様な KITTI 環境における大規模な実験により、SuperiorGAT は PointNet ベースのモデルやより深い GAT ベースラインと比較して、一貫して低い再構築誤差と改善された幾何学的整合性を達成していることが示されました。定量的 X-Z プロジェクションは、最小の垂直歪みでも構造の完全性を保持できる能力を確認しました。これらの結果は、建築的な改善が、追加のセンサーハードウェアを必要とせずに LiDAR 解像度を向上させる計算機効率のよい方法を提供することを示唆しています。

arXiv:2512.22439v3 Announce Type: replace Abstract: LiDAR-based perception in autonomous systems is constrained by fixed vertical beam resolution and further compromised by beam dropout resulting from environmental occlusions. This paper introduces SuperiorGAT, a graph attention-based framework designed to reconstruct missing elevation information in sparse LiDAR point clouds. By modeling LiDAR scans as beam-aware graphs and incorporating gated residual fusion with feed-forward refinement, SuperiorGAT enables accurate reconstruction without increasing network depth. To evaluate performance, structured beam dropout is simulated by removing every fourth vertical scanning beam. Extensive experiments across diverse KITTI environments, including Person, Road, Campus, and City sequences, demonstrate that SuperiorGAT consistently achieves lower reconstruction error and improved geometric consistency compared to PointNet-based models and deeper GAT baselines. Qualitative X-Z projections further confirm the model's ability to preserve structural integrity with minimal vertical distortion. These results suggest that architectural refinement offers a computationally efficient method for improving LiDAR resolution without requiring additional sensor hardware.