Ghost-FWL: Ein groß angelegtes Full-Waveform-LiDAR-Datensatz zur Geisterdetektion und -entfernung

Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal

March 30, 2026

Autoren: Kazuma Ikeda, Ryosei Hara, Rokuto Nagata, Ozora Sako. Zihao Ding, Takahiro Kado, Ibuki Fujioka, Taro Beppu, Mariko Isogawa, Kentaro Yoshioka

cs.AI

Zusammenfassung

LiDAR hat sich zu einer wesentlichen Erfassungsmodalität in den Bereichen autonomes Fahren, Robotik und Smart-City-Anwendungen entwickelt. Allerdings verschlechtern Geisterpunkte (oder Ghosts) – falsche Reflexionen, die durch Mehrfachreflexionen von Laserstrahlen an Glas und reflektierenden Oberflächen verursacht werden – die Genauigkeit von 3D-Kartierung und Lokalisierung erheblich. Bisherige Ansätze zur Geisterpunktentfernung stützen sich auf geometrische Konsistenz in dichten Punktwolken und versagen bei den spärlichen, dynamischen Daten mobiler LiDAR-Systeme. Wir adressieren dieses Problem, indem wir Full-Waveform-LiDAR (FWL) nutzen, das vollständige zeitliche Intensitätsprofile anstelle von nur Peak-Distanzen erfasst und so entscheidende Hinweise zur Unterscheidung von Geisterpunkten und echten Reflexionen in mobilen Szenarien liefert. Da es sich hierbei um eine neue Aufgabe handelt, stellen wir Ghost-FWL vor, den ersten und größten annotierten mobilen FWL-Datensatz zur Geisterpunkterkennung und -entfernung. Ghost-FWL umfasst 24.000 Einzelaufnahmen aus 10 verschiedenen Szenen mit 7,5 Milliarden Annotationen auf Peak-Ebene, was 100-mal größer ist als bestehende annotierte FWL-Datensätze. Begünstigt durch diesen groß angelegten Datensatz etablieren wir ein FWL-basiertes Basismodell für die Geisterpunkterkennung und schlagen FWL-MAE vor, einen Masked Autoencoder für effizientes selbstüberwachtes Repräsentationslernen auf FWL-Daten vor. Experimente zeigen, dass unser Basismodell bestehende Methoden in der Genauigkeit der Geisterpunktentfernung übertrifft und dass unsere Geisterpunktentfernung weiterführende Aufgaben wie LiDAR-basiertes SLAM (66 % Reduktion des Trajektorienfehlers) und 3D-Objekterkennung (50-fache Reduktion falsch-positiver Ergebnisse) deutlich verbessert. Der Datensatz und der Code sind öffentlich verfügbar und können über die Projektseite abgerufen werden: https://keio-csg.github.io/Ghost-FWL

English

LiDAR has become an essential sensing modality in autonomous driving, robotics, and smart-city applications. However, ghost points (or ghosts), which are false reflections caused by multi-path laser returns from glass and reflective surfaces, severely degrade 3D mapping and localization accuracy. Prior ghost removal relies on geometric consistency in dense point clouds, failing on mobile LiDAR's sparse, dynamic data. We address this by exploiting full-waveform LiDAR (FWL), which captures complete temporal intensity profiles rather than just peak distances, providing crucial cues for distinguishing ghosts from genuine reflections in mobile scenarios. As this is a new task, we present Ghost-FWL, the first and largest annotated mobile FWL dataset for ghost detection and removal. Ghost-FWL comprises 24K frames across 10 diverse scenes with 7.5 billion peak-level annotations, which is 100x larger than existing annotated FWL datasets. Benefiting from this large-scale dataset, we establish a FWL-based baseline model for ghost detection and propose FWL-MAE, a masked autoencoder for efficient self-supervised representation learning on FWL data. Experiments show that our baseline outperforms existing methods in ghost removal accuracy, and our ghost removal further enhances downstream tasks such as LiDAR-based SLAM (66% trajectory error reduction) and 3D object detection (50x false positive reduction). The dataset and code is publicly available and can be accessed via the project page: https://keio-csg.github.io/Ghost-FWL