近日，国际机器学习顶级会议 ICML 2025公布接收结果，由我院丁丹丹副教授指导、2023级软件工程专业研究生竹家豪为第一作者的论文《Efficient LiDAR Reflectance Compression via Scanning Serialization》被录用。数据显示，今年大会共收到 12107 篇投稿，较去年增加了 28%，共有 3260 篇论文被接收，接收率为 26.9%。ICML（International Conference on Machine Learning）是人工智能领域最具影响力的顶级学术会议之一，被中国计算机学会（CCF）评为 A 类国际会议，与 NeurIPS 和 ICLR 并称为人工智能与机器学习领域的三大权威国际顶会。

论文题目：Efficient LiDAR Reflectance Compression via Scanning Serialization

图 1.所提出的SerLiC方法处理流程图

摘要：LiDAR 点云中的反射率属性为下游任务提供了重要信息，但在神经压缩方法中仍未得到充分探索。为解决该问题，本文提出了 SerLiC，基于序列化的神经压缩框架，以充分利用 LiDAR 反射率的特性完成压缩。SerLiC 首先通过扫描顺序将 3D LiDAR 点云序列化为 1D 序列，从而为反射率分析提供以传感器为中心的视角。然后，每个点被标记成一个包含其传感器扫描索引、径向距离和先前反射率的上下文表示，以有效地探索依赖关系。为了实现高效的顺序建模，基于Mamba 结合了双并行化方案，同时进行自回归依赖关系捕获和快速处理。实验表明，SerLiC 相对于原始反射率数据实现了超过 2 倍的体积缩减，相比现有技术，压缩比特率降低了 22%，而参数使用量仅为现有技术方法的 2%。此外，SerLiC 的轻量级版本仅需 111K参数即可实现大于10 fps（每秒帧数）的处理能力，能够满足大多数应用需求。

这项研究成果展示了我院在人工智能和机器学习领域的前沿探索，特别是在LiDAR数据处理和压缩技术方面的创新突破。论文的录用也体现了我院研究生培养质量的不断提升和国际化科研水平的显著进步。（图/文 丁丹丹 洪东招）