Ghost-FWL : Un jeu de données LiDAR à onde complète à grande échelle pour la détection et l'élimination des fantômes
Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal
March 30, 2026
Auteurs: Kazuma Ikeda, Ryosei Hara, Rokuto Nagata, Ozora Sako. Zihao Ding, Takahiro Kado, Ibuki Fujioka, Taro Beppu, Mariko Isogawa, Kentaro Yoshioka
cs.AI
Résumé
Le LiDAR est devenu une modalité de détection essentielle dans les domaines de la conduite autonome, de la robotique et des applications de ville intelligente. Cependant, les points fantômes (ou ghosts), qui sont de fausses réflexions causées par des retours laser multi-trajets sur les surfaces vitrées et réfléchissantes, dégradent considérablement la précision de la cartographie et de la localisation 3D. Les méthodes antérieures d'élimination des fantômes reposent sur la cohérence géométrique dans les nuages de points denses, échouant sur les données dynamiques et éparses du LiDAR mobile. Nous abordons ce problème en exploitant le LiDAR à onde complète (FWL), qui capture des profils d'intensité temporelle complets plutôt que de simples distances de pic, fournissant des indices cruciaux pour distinguer les fantômes des réflexions authentiques dans les scénarios mobiles. Comme il s'agit d'une nouvelle tâche, nous présentons Ghost-FWL, le premier et le plus grand jeu de données FWL mobile annoté pour la détection et l'élimination des fantômes. Ghost-FWL comprend 24 000 images réparties sur 10 scènes diverses avec 7,5 milliards d'annotations au niveau des pics, ce qui est 100 fois plus important que les jeux de données FWL annotés existants. Bénéficiant de ce jeu de données à grande échelle, nous établissons un modèle de référence basé sur FWL pour la détection des fantômes et proposons FWL-MAE, un autoencodeur masqué pour un apprentissage de représentation auto-supervisé efficace sur les données FWL. Les expériences montrent que notre modèle de référence surpasse les méthodes existantes en précision d'élimination des fantômes, et que notre élimination des fantômes améliore encore les tâches en aval telles que la SLAM basée sur LiDAR (réduction de 66% de l'erreur de trajectoire) et la détection d'objets 3D (réduction de 50x des faux positifs). Le jeu de données et le code sont publics et accessibles via la page du projet : 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