Invascal：用于不确定性感知LiDAR范围视图语义分割的逆空窗自校准方法
本文提出Invascal，一种架构无关的不确定性感知适配器头，通过偏好头和强度头分解预测，并利用逆空窗自校准目标实现可靠的不确定性估计，在保持分割精度的同时显著改善校准效果，计算开销极低。
LiDAR语义分割是自动驾驶和移动机器人核心感知能力，但安全运行还依赖于知道预测何时不可靠。现有方法通常依赖softmax置信度，但往往校准不良且过度自信；而蒙特卡洛dropout或集成方法虽然能提供更可靠的不确定性估计，但计算开销大，难以实时应用。
针对这一问题，研究团队提出了一种新颖的、架构无关的不确定性感知适配器头（Adapter Head）。该机制将预测分解为两个部分：偏好头（Preference Head）负责类别排序，强度头（Strength Head）则细化不确定性评估，从而构建出有原则的狄利克雷证据表示。基于此设计，团队进一步提出了逆空窗自校准目标（Invascal），直接监督强度信号以产生可靠且校准良好的不确定性估计，同时防止证据无限增长。
具体地，适配器头可以插入任何现有的LiDAR语义分割网络，无需修改骨干架构。逆空窗自校准目标通过最小化强度信号与理想不确定性之间的差异来优化，同时引入正则化项避免证据退化为零或无限大。实验在多个LiDAR数据集上进行，包括nuScenes、SemanticKITTI等，并与确定性训练、蒙特卡洛dropout、集成方法以及先前的证据方法进行了对比。结果表明，Invascal在极小的计算开销下，持续改善了不确定性校准效果，在期望校准误差（ECE）上降低了30%以上，同时保持了具有竞争力的分割精度——而先前的证据方法常常出现性能下降。此外，该方法在物体边界和远距离点云上表现出更好的不确定性估计能力。
该论文已被2026年IEEE第29届智能交通系统国际会议（ITSC）接收，作者包括Kerim Turacan等四人。代码和模型预计将开源，为后续研究提供基准。