[论文解读] R$^3$D: Regional-guided Residual Radar Diffusion

Hao Li, Xinqi Liu+1 more|arXiv (Cornell University)|Jan 10, 2026

Advanced SAR Imaging Techniques被引用 0

一句话总结

R3D 引入带有 sigma 自适应区域引导的残差扩散框架，通过建模 LiDAR–雷达残差并将 refinements 聚焦于高关注区域，在无额外训练成本的条件下提升毫米波雷达点云质量。

ABSTRACT

Millimeter-wave radar enables robust environment perception in autonomous systems under adverse conditions yet suffers from sparse, noisy point clouds with low angular resolution. Existing diffusion-based radar enhancement methods either incur high learning complexity by modeling full LiDAR distributions or fail to prioritize critical structures due to uniform regional processing. To address these issues, we propose R3D, a regional-guided residual radar diffusion framework that integrates residual diffusion modeling-focusing on the concentrated LiDAR-radar residual encoding complementary high-frequency details to reduce learning difficulty-and sigma-adaptive regional guidance-leveraging radar-specific signal properties to generate attention maps and applying lightweight guidance only in low-noise stages to avoid gradient imbalance while refining key regions. Extensive experiments on the ColoRadar dataset demonstrate that R3D outperforms state-of-the-art methods, providing a practical solution for radar perception enhancement. Our anonymous code and pretrained models are released here: https://anonymous.4open.science/r/r3d-F836

研究动机与目标

• 通过在不利条件下改善感知来解决稀疏且带噪声的毫米波雷达点云问题。
• 通过建模 LiDAR–雷达残差，而非完整的 LiDAR 分布来降低学习难度。
• 引入 sigma 自适应区域引导，在低噪声细节恢复阶段优先关注关键区域。
• 利用雷达特定信号特性在无需预训练的情况下生成注意力图。
• 在 ColoRadar 数据集上证明相对于最新方法的优越性能。

提出的方法

• 建模 LiDAR 与雷达之间的残差分布 y − x，并训练扩散模型以学习 p(r|x)。
• 使用指数噪声日程并在雷达输入 x 与噪声水平 t 的条件下对残差进行去噪。
• 从强度和局部一致性构建雷达注意力图，以识别强散射区域。
• 在带有正弦时间嵌入的 UNet 去噪器中加入基于 AdaGN 的条件。
• 通过在低噪声阶段修改 Karras 权重来应用 sigma 自适应区域引导，以强调目标区域同时在高噪声阶段保持稳定性。
• 通过迭代去噪残差并与雷达输入融合来推断增强雷达，得到 ŷ = x + r̂。

实验结果

研究问题

• RQ1 将 LiDAR–雷达残差建模是否能提升基于扩散的雷达增强效果，相较于直接建模完整 LiDAR 分布？
• RQ2 sigma 自适应区域引导是否能在不稳定训练或增加推理成本的前提下有效优先关注关键区域？
• RQ3 在 ColoRadar 上相较于现有 radar 增强方法，R3D 在多场景下的表现如何？
• RQ4 在推理阶段是否可以在不使用预训练领域自适应特征或重遮挡策略的情况下实现区域感知引导？

主要发现

• 残差扩散（学习 y − x）降低学习复杂度，并优于直接从雷达生成 LiDAR 的方法。
• R3D 结合 sigma 自适应区域引导在 ColoRadar 的多项指标上优于 EDM（文本中给出 CD 与 HD 的平均提升）。
• 聚焦高强度与高度一致性雷达区域的区域引导在细节恢复上效果更好，同时不损害全局结构学习。
• 基于 DINO 的条件注入和随时间变化的遮罩可能导致域不匹配或不稳定，支持论文的原则性区域引导设计。
• 与强基线相比，没有额外训练或推理成本的增加，同时取得更优结果。