Ghost-FWL: ゴースト検出と除去のための大規模フル波形LiDARデータセット

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

March 30, 2026

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

cs.AI

要旨

LiDARは、自動運転、ロボティクス、スマートシティアプリケーションにおいて不可欠なセンシング技術となっている。しかし、ガラスや反射面での多重パス反射によって生じる誤反射であるゴーストポイント（ゴースト）は、3Dマッピングと位置推定の精度を著しく低下させる。従来のゴースト除去は、密な点群における幾何学的一貫性に依存しており、モバイルLiDARのスパースで動的なデータには対応できていない。我々はこの問題に対処するため、単なるピーク距離ではなく完全な時間強度プロファイルを取得するフル波形LiDAR（FWL）に着目する。FWLは、移動体環境においてゴーストと真の反射を識別するための重要な手がかりを提供する。これは新たな課題であるため、我々はゴースト検出・除去のための初の、かつ最大の注釈付きモバイルFWLデータセットであるGhost-FWLを提案する。Ghost-FWLは、10の多様なシーンにわたる24Kフレーム、75億のピークレベル注訳から構成され、既存の注釈付きFWLデータセットよりも100倍大きい。この大規模データセットを活用し、我々はゴースト検出のためのFWLベースのベースラインモデルを確立し、FWLデータに対する効率的な自己教師あり表現学習のためのマスク化オートエンコーダであるFWL-MAEを提案する。実験により、我々のベースラインモデルがゴースト除去精度において既存手法を上回ること、さらに我々のゴースト除去がLiDARベースのSLAM（軌道誤差66%削減）や3D物体検出（誤検出50倍削減）といった下流タスクを強化することを示す。データセットとコードは公開されており、プロジェクトページ（https://keio-csg.github.io/Ghost-FWL）からアクセス可能である。

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