[論文レビュー] LIORNet: Self-Supervised LiDAR Snow Removal Framework for Autonomous Driving under Adverse Weather Conditions

Ji-il Park, Inwook Shim|arXiv (Cornell University)|Mar 20, 2026

Advanced Optical Sensing Technologies被引用数 0

ひとこと要約

LIORNet は距離・強度・学習ベースの手掛かりを U-Net++ バックボーン内に組み込み、雪天条件でのノイズを手動アノテーションなしでフィルタリングする自己教師あり LiDAR 雪除去フレームワークで、精度とリアルタイム性を向上させる可能性を実現する。

ABSTRACT

LiDAR sensors provide high-resolution 3D perception and long-range detection, making them indispensable for autonomous driving and robotics. However, their performance significantly degrades under adverse weather conditions such as snow, rain, and fog, where spurious noise points dominate the point cloud and lead to false perception. To address this problem, various approaches have been proposed: distance-based filters exploiting spatial sparsity, intensity-based filters leveraging reflectance distributions, and learning-based methods that adapt to complex environments. Nevertheless, distance-based methods struggle to distinguish valid object points from noise, intensity-based methods often rely on fixed thresholds that lack adaptability to changing conditions, and learning-based methods suffer from the high cost of annotation, limited generalization, and computational overhead. In this study, we propose LIORNet, which eliminates these drawbacks and integrates the strengths of all three paradigms. LIORNet is built upon a U-Net++ backbone and employs a self-supervised learning strategy guided by pseudo-labels generated from multiple physical and statistical cues, including range-dependent intensity thresholds, snow reflectivity, point sparsity, and sensing range constraints. This design enables LIORNet to distinguish noise points from environmental structures without requiring manual annotations, thereby overcoming the difficulty of snow labeling and the limitations of single-principle approaches. Extensive experiments on the WADS and CADC datasets demonstrate that LIORNet outperforms state-of-the-art filtering algorithms in both accuracy and runtime while preserving critical environmental features. These results highlight LIORNet as a practical and robust solution for LiDAR perception in extreme weather, with strong potential for real-time deployment in autonomous driving systems.

研究の動機と目的

• 悪天候下での LiDAR 認識の劣化を、点群から雪由来のノイズを除去することで解消する。
• 雪のラベリングに手動アノテーションを必要としない自己教師ありフレームワークを開発する。
• ノイズと環境構造を頑健に識別するため、複数の物理的・統計的手掛かりを統合する。
• 自動運転のリアルタイム展開を可能にする実行時効率を向上させる。

提案手法

• LiDAR 雪除去のための U-Net++ バックボーンを活用。
• 偽ラベルに導かれた自己教師あり学習戦略を実装。
• range-dependent intensity 阈値、雪の反射率、点の希薄性、 sensing range 制約から偽ラベルを生成。
• 複数の手掛かりを統合し、手動アノテーションなしにノイズ点と実環境構造を分離する。

実験結果

リサーチクエスチョン

• RQ1 多手掛かり偽ラベルは LiDAR データにおける自己教師あり雪除去を効果的に可能にするか。
• RQ2 雪条件下での精度と実行時効率において、LIORNet は最先端のフィルタリング手法と比較してどうか。
• RQ3 雪ノイズを除去しつつ、重要な環境特徴を適切に保持できるか。
• RQ4 他の悪天候 LiDAR データセットへ一般化可能か。

主な発見

• LIORNet は WADS および CADC データセットで精度の点で最先端のフィルタリングアルゴリズムを上回る。
• LIORNet はベースラインと比較して実行時効率が良い。
• 雪ノイズを除去しつつ、重要な環境特徴を保持する。
• 自己教師ありになっても性能を維持し、手動の雪ラベリングが不要になる。
• 実験は悪天候シナリオ全般での LIORNet の頑健性を示す。