Aprendizado para Identificação de Objetos Fora da Distribuição na Segmentação de Anomalias em LiDAR 3D

Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation

April 26, 2026

Autores: Simone Mosco, Daniel Fusaro, Alberto Pretto

cs.AI

Resumo

A compreensão do ambiente circundante é fundamental na condução autónoma e na perceção robótica. Distinguir entre classes conhecidas e objetos previamente não observados é crucial em ambientes do mundo real, como é feito na Segmentação de Anomalias. No entanto, a investigação no campo 3D permanece limitada, com a maioria das abordagens existentes a aplicar técnicas de pós-processamento da visão 2D. Para colmatar esta lacuna, propomos uma nova abordagem eficiente que opera diretamente no espaço de características, modelando a distribuição de características das classes *inlier* para restringir amostras anómalas. Além disso, o único conjunto de dados público disponível para segmentação de anomalias em LiDAR 3D contém cenários simples, com poucas instâncias de anomalias, e exibe uma lacuna de domínio significativa devido à resolução do seu sensor. Para preencher esta lacuna, introduzimos um conjunto de dados mistos real-sintéticos para segmentação de anomalias em LiDAR 3D, construídos com base em benchmarks estabelecidos de segmentação semântica, com múltiplos objetos fora da distribuição e ambientes diversos e complexos. Experiências extensivas demonstram que a nossa abordagem atinge resultados de última geração e competitivos, respetivamente, no conjunto de dados do mundo real existente e nos novos conjuntos de dados mistos introduzidos, validando a eficácia do nosso método e a utilidade dos conjuntos de dados propostos. O código e os conjuntos de dados estão disponíveis em https://simom0.github.io/lido-page/.

English

Understanding the surrounding environment is fundamental in autonomous driving and robotic perception. Distinguishing between known classes and previously unseen objects is crucial in real-world environments, as done in Anomaly Segmentation. However, research in the 3D field remains limited, with most existing approaches applying post-processing techniques from 2D vision. To cover this lack, we propose a new efficient approach that directly operates in the feature space, modeling the feature distribution of inlier classes to constrain anomalous samples. Moreover, the only publicly available 3D LiDAR anomaly segmentation dataset contains simple scenarios, with few anomaly instances, and exhibits a severe domain gap due to its sensor resolution. To bridge this gap, we introduce a set of mixed real-synthetic datasets for 3D LiDAR anomaly segmentation, built upon established semantic segmentation benchmarks, with multiple out-of-distribution objects and diverse, complex environments. Extensive experiments demonstrate that our approach achieves state-of-the-art and competitive results on the existing real-world dataset and the newly introduced mixed datasets, respectively, validating the effectiveness of our method and the utility of the proposed datasets. Code and datasets are available at https://simom0.github.io/lido-page/.