LiDAR 데이터의 분포 예측 모델을 활용한 이상 데이터 탐지

Neural Distribution Prior for LiDAR Out-of-Distribution Detection

LiDAR 기반의 인식 기술은 조명 및 시야 조건이 좋지 않은 환경에서도 안정적인 성능을 제공하여 자율 주행에 필수적입니다. 그러나 현재 모델들은 일반적으로 '닫힌 집합'이라는 가정 하에 작동하며, 실제 환경에서 예상치 못한 이상 데이터(Out-of-Distribution, OOD) 객체를 제대로 인식하지 못하는 경우가 많습니다. 기존의 OOD 점수 산정 방법은 LiDAR 데이터의 OOD 탐지에서 나타나는 현저한 클래스 불균형을 고려하지 않고, 클래스 분포가 균일하다는 가정을 하기 때문에 성능이 제한적입니다. 이러한 한계를 극복하기 위해, 본 연구에서는 네트워크 예측의 분포 구조를 모델링하고, 학습된 분포 사전 지식에 맞춰 OOD 점수를 적응적으로 재가중하는 프레임워크인 Neural Distribution Prior (NDP)를 제안합니다. NDP는 학습 데이터의 로짓 분포 패턴을 동적으로 파악하고, 어텐션 기반 모듈을 통해 클래스에 따라 발생하는 신뢰도 편향을 수정합니다. 또한, 입력 데이터를 기반으로 다양한 보조 OOD 샘플을 생성하는 Perlin 노이즈 기반의 OOD 합성 전략을 도입하여, 외부 데이터셋 없이도 안정적인 OOD 학습을 가능하게 합니다. SemanticKITTI 및 STU 벤치마크에서의 광범위한 실험 결과, NDP는 OOD 탐지 성능을 크게 향상시켰으며, STU 테스트 세트에서 61.31%의 포인트 단위 AP를 달성하여, 이전 최고 기록보다 10배 이상 높은 성능을 보였습니다. 본 프레임워크는 다양한 기존 OOD 점수 산정 방식과 호환되며, 개방형 환경에서의 LiDAR 인식 문제를 해결하는 효과적인 솔루션을 제공합니다.

LiDAR-based perception is critical for autonomous driving due to its robustness to poor lighting and visibility conditions. Yet, current models operate under the closed-set assumption and often fail to recognize unexpected out-of-distribution (OOD) objects in the open world. Existing OOD scoring functions exhibit limited performance because they ignore the pronounced class imbalance inherent in LiDAR OOD detection and assume a uniform class distribution. To address this limitation, we propose the Neural Distribution Prior (NDP), a framework that models the distributional structure of network predictions and adaptively reweights OOD scores based on alignment with a learned distribution prior. NDP dynamically captures the logit distribution patterns of training data and corrects class-dependent confidence bias through an attention-based module. We further introduce a Perlin noise-based OOD synthesis strategy that generates diverse auxiliary OOD samples from input scans, enabling robust OOD training without external datasets. Extensive experiments on the SemanticKITTI and STU benchmarks demonstrate that NDP substantially improves OOD detection performance, achieving a point-level AP of 61.31\% on the STU test set, which is more than 10$\times$ higher than the previous best result. Our framework is compatible with various existing OOD scoring formulations, providing an effective solution for open-world LiDAR perception.