Ghost-FWL: Een grootschalige full-wave LiDAR-dataset voor spookdetectie en -verwijdering

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

Samenvatting

LiDAR is een essentiële waarnemingstechnologie geworden in toepassingen zoals autonoom rijden, robotica en smart-city-projecten. Echter verminderen spookpunten (of 'ghosts') – valse reflecties veroorzaakt door multi-path laserretour van glas en reflecterende oppervlakken – de nauwkeurigheid van 3D-mapping en lokalisatie aanzienlijk. Bestaande methoden voor spookpuntenverwijdering steunen op geometrische consistentie in dichte puntenwolken, maar falen bij de schaarse, dynamische data van mobiele LiDAR. Wij pakken dit aan door gebruik te maken van full-waveform LiDAR (FWL), dat complete temporele intensiteitsprofielen vastlegt in plaats van alleen piekafstanden, wat cruciale aanwijzingen biedt om spookpunten te onderscheiden van echte reflecties in mobiele scenario's. Aangezien dit een nieuwe taak is, presenteren wij Ghost-FWL, de eerste en grootste geannoteerde mobiele FWL-dataset voor spookpuntdetectie en -verwijdering. Ghost-FWL omvat 24.000 frames uit 10 uiteenlopende scènes, met 7,5 miljard piekniveau-annotaties, wat 100 keer groter is dan bestaande geannoteerde FWL-datasets. Dankzij deze grootschalige dataset vestigen we een FWL-gebaseerd basismodel voor spookpuntdetectie en stellen we FWL-MAE voor, een gemaskeerde auto-encoder voor efficiënte zelfgesuperviseerde representatieleren op FWL-data. Experimenten tonen aan dat ons basismodel superieur presteert in nauwkeurigheid van spookpuntenverwijdering ten opzichte van bestaande methoden, en dat onze spookpuntenverwijdering downstream-taken verder verbetert, zoals LiDAR-gebaseerde SLAM (66% reductie in trajectfout) en 3D-objectdetectie (50x vermindering van false positives). De dataset en code zijn openbaar beschikbaar en toegankelijk via de projectpagina: 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