Ghost-FWL: Крупномасштабный набор данных полноволнового лидара для обнаружения и удаления ложных отражений

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

March 30, 2026

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

cs.AI

Аннотация

LiDAR стал важнейшим сенсорным инструментом в автономном вождении, робототехнике и системах «умного города». Однако ложные точки (или «призраки») — ложные отражения, вызванные многократными возвратами лазерного сигнала от стеклянных и отражающих поверхностей — значительно снижают точность 3D-картографирования и локализации. Существующие методы удаления «призраков» основаны на геометрической согласованности в плотных облаках точек и неэффективны для разреженных динамических данных мобильного LiDAR. Мы решаем эту проблему, используя LiDAR с полноволновой формой сигнала (FWL), который фиксирует полные временные профили интенсивности, а не только расстояния до пиков, предоставляя ключевые признаки для区分 «призраков» и реальных отражений в мобильных сценариях. Поскольку это новая задача, мы представляем Ghost-FWL — первую и крупнейшую размеченную мобильную базу данных FWL для обнаружения и удаления «призраков». Ghost-FWL включает 24 тыс. кадров из 10 разнообразных сцен с 7,5 млрд пиксельных аннотаций, что в 100 раз превышает существующие размеченные наборы данных FWL. Благодаря этому масштабному набору данных мы создали базовую FWL-модель для обнаружения «призраков» и предложили FWL-MAE — маскированный автоэнкодер для эффективного самообучения представлений на данных FWL. Эксперименты показывают, что наша базовая модель превосходит существующие методы по точности удаления «призраков», а наша методика дополнительно улучшает последующие задачи, такие как SLAM на основе LiDAR (снижение ошибки траектории на 66%) и 3D-детектирование объектов (сокращение ложных срабатываний в 50 раз). Набор данных и код находятся в открытом доступе на странице проекта: 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