Invascal：用於不確定性感知LiDAR範圍檢視語義分割的逆空窗自校準方法
本文提出Invascal，一種架構無關的不確定性感知介面卡頭，透過偏好頭和強度頭分解預測，並利用逆空窗自校準目標實現可靠的不確定性估計，在保持分割精度的同時顯著改善校準效果，計算開銷極低。
LiDAR語義分割是自動駕駛和移動機器人核心感知能力，但安全執行還依賴於知道預測何時不可靠。現有方法通常依賴softmax置信度，但往往校準不良且過度自信；而蒙特卡洛dropout或整合方法雖然能提供更可靠的不確定性估計，但計算開銷大，難以即時應用。
針對這一問題，研究團隊提出了一種新穎的、架構無關的不確定性感知介面卡頭（Adapter Head）。該機制將預測分解為兩個部分：偏好頭（Preference Head）負責類別排序，強度頭（Strength Head）則細化不確定性評估，從而構建出有原則的狄利克雷證據表示。基於此設計，團隊進一步提出了逆空窗自校準目標（Invascal），直接監督強度訊號以產生可靠且校準良好的不確定性估計，同時防止證據無限增長。
具體地，介面卡頭可以插入任何現有的LiDAR語義分割網路，無需修改骨幹架構。逆空窗自校準目標透過最小化強度訊號與理想不確定性之間的差異來最佳化，同時引入正則化項避免證據退化為零或無限大。實驗在多個LiDAR資料集上進行，包括nuScenes、SemanticKITTI等，並與確定性訓練、蒙特卡洛dropout、整合方法以及先前的證據方法進行了對比。結果表明，Invascal在極小的計算開銷下，持續改善了不確定性校準效果，在期望校準誤差（ECE）上降低了30%以上，同時保持了具有競爭力的分割精度——而先前的證據方法常常出現效能下降。此外，該方法在物體邊界和遠距離點雲上表現出更好的不確定性估計能力。
該論文已被2026年IEEE第29屆智慧交通系統國際會議（ITSC）接收，作者包括Kerim Turacan等四人。程式碼和模型預計將開源，為後續研究提供基準。