.png){kind=icon}
返回
Diff4RadBEV: Conditional Diffusion for 4D Radar BEV Enhancement
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3726340.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鸟瞰视角（BEV）表示的4D雷达扫描数据固有地具有稀疏和噪声特性，限制了其在下游感知任务中的实用性。为解决此问题，我们将4D雷达BEV增强表述为条件生成问题，并提出Diff4RadBEV，一种两阶段级联扩散框架，用于将原始雷达BEV高度图映射为密集且精细的BEV表示。具体而言，Diff4RadBEV遵循一种循环扩散-精炼范式：BEV条件扩散网络（BDN）首先去噪并重建全局场景布局，而精炼网络（RN）抑制局部残留伪影并锐化前景结构。这种由粗到精的设计提升了生成过程中布局一致性和局部几何清晰度，以适应雷达BEV的稀疏和噪声特性。实验表明，Diff4RadBEV在BEV增强及下游任务（包括场景识别和占用预测）中均能显著提升原始雷达BEV性能，超越现有雷达增强基线。仅需460万参数和5个采样步骤，Diff4RadBEV即可实现适合实时部署的高效增强。
Keyword:
Representation learning
deep learning methods
4D mmWave radar
diffusion model
bird’s-eye-view
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
引用论文
暂无论文信息