ICCV2021|生成带雾的点云数据：Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weat

本文贡献：

1. 开发一种有效的雾模拟方法，适用于所有lidar数据集。能够有效获取大规模带雾的数据。
2. 通过实验论证提出的雾模拟可以用来显著提升有雾状态下的3D对象检测。

介绍：

已有数据集：激光雷达在近红外光谱（ 850 and 903 to 905 nm wavelength）穿不过水滴。直到最近，加拿大不利驾驶条件 (CADC) 数据集 [28] 和透视雾 (STF) 数据集 [2] 才解决了此类评估的需求。 CADC 侧重于降雪，而 STF 则针对雾、雨和雪下的评估。因此，仍然没有大量可用于训练深度神经网络的 LiDAR 模糊数据。

雾引入的噪声：显示了雾引入的噪声的一个有趣特征，即它不是均匀分布在传感器周围的。相反，噪声的存在取决于距离传感器一定范围以下的视线内是否有目标。如果在中等范围内有一个固体物体，则来自各个脉冲的虚假返回（如果有的话）很少。另一方面，如果在一定范围以下的视线内没有目标，则有很多由雾引起的虚假返回。

网络	对象	特点
Pointnet	点云	网络架构对输入扰动具有鲁棒性，因此点输入网络的顺序不会影响其性能
VoxelNet	体素	利用类似 PointNet 的层来处理每个体素。由于它是计算密集型的 3D 卷积，因此它是一个相当繁重的架构
PointPillar		摆脱了高度域中的量化，而是在 3D 柱状网格中处理点云。（回退到更快的2D卷积）

Lidar系统的光学模型

 

就是这个交叉函数呢。根据经验，只要lidar距离目标2米以上就是1

 

  

就可以推出晴天无雾时候的接受功率。

然后考虑雾天有雾的情况下

把目标回波拆分成soft和hard两个部分，soft就是雾里面传过来的回波，hard还是物体反射的回波：

 

Hc（R）是知道的，所以这个脉冲响应函数：

  

这个积分呢是不大好算的，但是可以用数字计算的方法把结果弄出来。

所以最终的输入参数就是如下四个：

α	空间变化的衰减系数，取决于天气
β	反向散射系数，作者假设是常数
β0	差分反射率
	半波长度