Chamelion Paper Review

핵심 요약

Chamelion은 기존 LiDAR prior map과 현재 scan 사이의 구조 변화를 online으로 찾고, occlusion 때문에 생긴 가짜 변화와 실제 low-dynamic 변화를 분리해 장기 3D map을 업데이트하는 framework다.

문제장기 LiDAR map에서 occlusion과 실제 변화가 섞임

해결change class + cross-visibility confidence

근거Custom/LiSTA 평가, HD removal, confidence ablation

한 문장 요약

이 논문의 핵심은 change class와 cross-visibility confidence를 함께 예측해서, 보이지 않아서 달라 보이는 영역과 실제로 바뀐 영역을 구분하는 것이다.

Contribution 01

Composition Augmentation

single-session scan에서 pseudo change를 생성해 manual multi-session label 부담 축소.

Contribution 02

4D Sparse CNN

map point와 scan point를 visibility flag가 붙은 4D sparse tensor로 함께 입력.

Contribution 03

Dual Head

class head는 static/positive/negative change를, confidence head는 cross-visibility를 예측.

Method Component

Probabilistic Update

confidence가 충분한 map point만 Bayesian log-odds로 누적 업데이트.

내가 얻은 인사이트

Chamelion은 change detection을 단순한 map-scan 차이 검출로 보지 않는다. 실제 병목은 ‘차이가 있는가’보다 그 차이를 믿어도 되는가이며, confidence head가 바로 이 판단을 담당한다.

처리 흐름

01Single-session Scansprior map / current scan base

02Composition AugmentationHD removal + object paste

034D Sparse Tensormap/scan + visibility flag

04Dual-head Networkclass + confidence

05Confidence Filteringocclusion-aware inference

06Bayesian Map Updatelong-term map maintenance

접근 방식 비교

Geometry Difference

빠르지만 occlusion에 취약

visibility/occupancy 차이를 직접 쓰면 red false-change가 많이 생기고, sensor blind spot이나 registration noise에 흔들림.

Deep Change Models

scan-wise detection은 강함

classification 기반 모델은 scan-wise IoU가 강하지만, map-wise update에서는 unobserved region과 occlusion 처리가 중요.

Chamelion

class와 visibility를 함께 판단

map point와 scan point를 같이 넣고, low-confidence 영역은 update에서 조심스럽게 다뤄 false static 누적을 줄임.

논문 상세 정리

아래부터는 기존 논문 내용을 최대한 담은 상세 해석이다. 핵심 흐름에서 벗어나는 배경지식, notation, 부가 자료는 접어두었다.

Problem: occlusion과 실제 LiDAR change를 어떻게 구분할까

Chamelion의 문제 제기는 prior map과 current scan이 다르게 보이는 이유를 구분하는 데 있다. 장기 LiDAR map에서는 사람이 지나가거나 물체가 가려지는 transient 현상, 실제 구조물이 추가되거나 사라지는 low-dynamic change, 그리고 registration noise가 동시에 나타난다. 이 논문은 단순히 map-scan 차이를 찾는 대신, 관측 차이를 map update에 반영해도 되는지를 함께 판단해야 한다고 본다.

Problem Flow

논문은 LiDAR change detection을 “차이가 있는가”에서 “믿을 수 있는 변화인가”로 재정의한다.

01Prior map

장기 운용을 위해 기존 map과 현재 scan을 계속 비교해야 함.

02Transient scene

HD object, occlusion, density 변화가 map-scan 차이를 만들어냄.

03False update

가려진 영역을 실제 삭제로 오해하면 long-term map이 망가짐.

04Chamelion

change class와 cross-visibility confidence를 함께 예측.

Problem / Proposal

문제 제기와 관련 연구는 모두 occlusion-aware map maintenance라는 주장으로 모인다.

문제 축	기존 접근의 병목	Chamelion의 관점
Label scarcity	multi-session LiDAR change label은 수집과 annotation 비용이 큼	single-session scan에서 composition 기반 pseudo change 생성
Occlusion ambiguity	geometry-only 차이는 보이지 않는 영역과 사라진 구조를 혼동	cross-visibility confidence로 update 가능 여부 판단
Map maintenance	scan-wise detection만으로는 prior map을 안정적으로 갱신하기 어려움	confidence threshold와 Bayesian log-odds로 보수적 누적 update

Low-dynamic positive and negative change overview. — Fig. 1. prior map과 current scan 사이의 LD change 예시: blue는 새로 나타난 positive change, red는 map에서 사라진 negative change.단순 map-scan 차분이 아니라 positive / negative change를 분리해 정의해야 하는 이유를 보여준다.

Change Type 분해

용어를 먼저 분리하면 이후 data augmentation과 evaluation metric이 자연스럽게 이어진다.

구분	의미	Chamelion에서의 처리
HD object	사람, 차량처럼 짧은 시간 안에서 움직이는 객체	MOS/tracking 기반으로 제거 후 static object DB 구성
LD change	scan 안에서는 정적이지만 prior map과 비교하면 달라진 구조	주요 검출 대상
Positive change	현재 scan에는 있지만 prior map에는 없던 구조	scan-wise IoU로 평가
Negative change	prior map에는 있지만 현재 scan에서는 사라진 구조	map-wise PR/RR/F1로 평가

문헌군	핵심 아이디어	한계 / 연결
Dataset synthesis	simulation이나 2D 합성으로 변화 sample을 늘림	실제 장기 LiDAR mapping의 occlusion, density, registration noise와 차이
Geometric CD	occupancy, TSDF, ray visibility로 map과 scan 차이를 계산	가려진 영역을 실제 삭제로 오해해 false negative change가 생김
Learning-based CD	semantic/context feature로 scan-wise change를 예측	multi-session label 부족과 map-wise update 기준이 병목
Chamelion	object composition과 confidence head를 결합	pseudo label로 학습 데이터를 만들고, visibility confidence로 보수적 map update 수행

Mechanism: pseudo change와 confidence-aware update

앞에서 정의한 문제는 관측 차이가 실제 구조 변화인지, occlusion이나 transient object 때문인지를 구분해야 한다는 점이다. Chamelion은 이를 세 단계로 푼다. 먼저 single-session scan에서 pseudo positive/negative change를 합성하고, map/scan point를 함께 입력하는 4D sparse CNN이 change class와 confidence를 예측하며, 마지막으로 confidence가 충분한 map point만 Bayesian filter로 업데이트한다.

Mechanism Thread Summary

방법론은 독립 모듈 나열이 아니라 학습 데이터 부족 → occlusion 판단 → map update 안정성으로 이어지는 한 흐름이다.

구간	무엇을 해결하나	핵심 장치
Composition augmentation	manual multi-session label 부족	HD removal, static object DB, scan/map object paste
4D sparse input	map과 scan을 따로 보면 visibility 관계가 약함	point coordinate + visibility flag ν, concatenated tensor T′ ∈ R^{(m′+n′)×4}, feature F ∈ R^{(m′+n′)×D}
Dual-head network	change 여부와 관측 신뢰도가 서로 다른 문제	class head + cross-visibility confidence head
Map update	occluded map point를 잘못 지우는 누적 오류	confidence threshold + Bayesian log-odds update

Design Choice

Chamelion의 중요한 선택은 change를 곧바로 map에 쓰지 않고, confidence가 충분한 변화만 누적한다는 점이다.

버린 방향

multi-session manual label에만 의존하거나 geometry difference를 그대로 update에 사용.

채택한 방향

pseudo change data로 학습하고, class/confidence를 분리해 예측.

얻는 효과

occlusion과 noise가 있는 transient LiDAR 환경에서도 보수적 map maintenance 가능.

Pseudo supervision과 dual-head inference

Composition-based augmentation pipeline. — Fig. 2. Composition-based augmentation: HD 객체 제거, static object DB 구성, scan/map에 object 삽입.single-session scan만으로 pseudo multi-session supervision을 만들기 위해, map과 scan에 object insertion을 다르게 적용하는 흐름이 핵심이다.

Pseudo-label 생성 흐름

논문은 실제 multi-session 변화를 수집하지 않고도 positive/negative change supervision을 만들기 위해 object paste 전략을 사용한다.

단계	핵심 처리	의미
Static map build	single-session scan을 누적해 prior-like map 구성	annotation 없이 기본 scene 확보
HD removal	MOS/tracking으로 high-dynamic object 제거	LD change 학습을 방해하는 temporal artifact 축소
Object database	정적 객체 snapshot을 잘라 DB로 저장	다양한 pseudo structural change source 확보
Paste to scan/map	scan에는 positive, map에는 negative change가 생기도록 object 삽입	single-session에서 양방향 change label 생성

Map / object database notation 보기

Notation / 생성 규칙

Eq. (1)-(3)의 기본 기호와 object insertion 규칙은 세부 확인용으로 접어두었다.

기호 / 규칙	의미	읽는 포인트
$\mathcal{S}_i^\text{local}$ , $G_i$ , S_i	sensor 좌표 scan, pose, world 좌표 scan	single-session scan을 world map으로 누적하기 위한 기본 notation
$\mathcal{M}^\mathcal{S}$ , S_0:T	시간 t_T까지 누적한 global map과 scan sequence	pseudo multi-session data를 만들기 전의 base scene
O^k, $\mathcal{DB}$	tracking된 정적 객체 snapshot과 object database	HD object 제거 후 남은 static object가 augmentation source가 됨
o^k_j, N_T	k번째 static object의 j번째 snapshot과 t_T까지 추적된 static object 수	Eq. (2)-(3)의 object database indexing과 크기를 읽는 기준
O_pc, O_nc, ⊕	scan에 넣는 positive-change object set, map에 넣는 negative-change object set, object insertion operator	Eq. (4)-(5)에서 scan/map augmentation 방향을 구분
O_pc ∩ O_nc = ∅	하나의 object가 같은 pseudo sample에서 PC와 NC로 동시에 쓰이지 않음	label ambiguity 방지
ground-aware insertion	정적 객체가 기하학적으로 말이 되는 위치에 배치	합성 변화가 현실적인 구조 변화를 닮도록 제어

M^S = T⋃i=0 S_i

(1)

Eq. (1). Static prior-map accumulation.single-session scan들을 world 좌표로 합쳐 pseudo change를 만들 기준 static prior map을 구성한다.

O^k=\{o_j^k\ |\ j=0,...,T\}

\begin{align} &\tilde{\mathcal{M}}=\mathcal{M}^\mathcal{S}\oplus O_{\text{nc}}, \tag{4} \\ &\tilde{\mathcal{S}}_{0:T}=\{\mathcal{S}_i \oplus o_{pc}\ |\ o_{pc}\in O_{pc}, i=0,...,T \} \tag{5} \end{align}

(4)(5)

Eq. (4)-(5). Pseudo-change object insertion.prior map과 current scan에 서로 다른 object set을 삽입해 pseudo negative/positive change supervision을 만든다.

4D CNN dual-head network. — Fig. 3. 4D CNN dual-head 구조: change class와 cross-visibility confidence를 함께 예측.class head는 change label을, confidence head는 cross-visibility 신뢰도를 맡아 occlusion-induced false update를 분리한다.

Dual-head 구조

class head와 confidence head는 서로 다른 정보를 본다. class head는 semantic/context가 중요하고, confidence head는 local geometric visibility가 중요하다.

Head	예측 대상	입력 feature	왜 필요한가
Class head	static / positive / negative change	high-level feature $F_\text{HLF}$	변화의 의미적 class 결정
Confidence head	cross-visibility confidence	low-level feature $F_\text{LLF}$	occlusion인지 실제 변화인지 판단

Confidence target 세부

confidence head는 “두 domain에서 같이 보였는가”를 nearest distance 기반 target으로 학습한다.

요소	설정	의미
d_jk	scan point p_k와 map nearest point p_j의 Euclidean distance	거리가 멀수록 cross-visibility 낮음
τ_vox	voxel size 이하이면 confidence 1	두 point가 사실상 같은 공간을 관측했다고 간주
τ_ocl	occlusion threshold 이상이면 confidence 0	가려졌거나 대응 관측이 없을 가능성 큼
truncated decay	τ_vox와 τ_ocl 사이에서 exponential decay	전 구간 decay보다 학습 안정성과 수렴 속도 개선

c(d_{jk})= \begin{cases} 0, \\ \exp(-\lambda\cdot(d_{jk}-\tau_{\text{vox}})), \\ 1, \\ \end{cases} \ \begin{aligned} &\text{if}\ d_{jk} \ge \tau_\text{ocl}, \\ &\text{if}\ \tau_\text{vox} \lt d_{jk} \lt \tau_\text{ocl}, \\ &\text{if}\ d_{jk} \le \tau_\text{vox}, \end{aligned}

(7)

Eq. (7). Cross-visibility confidence target.map point와 scan point 사이의 nearest opposite-domain 거리를 decay 함수에 넣어 관측 가능성 confidence target을 만든다.

Training loss / feature notation 보기

Training loss notation

Eq. (6), Eq. (8), Eq. (9)를 정확히 읽기 위한 보조 기호다. 핵심 흐름은 Eq. (7)의 confidence target에 두고, loss 세부식은 여기서 확인한다.

기호 / 항목	의미	읽는 포인트
m+n, y_j,c, ŷ_j,c	map/scan 전체 point 수, ground-truth class probability, predicted class probability	Eq. (6)의 class cross-entropy를 읽는 기본 기호
c ∈ {0,1,2}	static, positive change, negative change class index	class head가 3-class 문제로 학습됨
𝒫, \|𝒫\|, ĉ_j	sampled map-scan point pair set, pair 개수, confidence head prediction	Eq. (8)의 MSE confidence loss가 어떤 pair에서 계산되는지 명확화
F_HLF, F_LLF	class head에 쓰는 high-level feature와 confidence head에 쓰는 low-level feature	classification은 semantic/context, visibility는 local geometry에 더 의존

\mathcal{L}_{cls}=-\frac{1}{m+n}\sum_{j=1}^{m+n}\sum_{c=0}^{2}y_{j,c}\log(\hat{y}_{j,c})

(6)

Eq. (6). Change-class cross-entropy loss.static, positive change, negative change label을 구분하도록 class head를 학습시키는 기본 분류 loss다.

\begin{align} \mathcal{L}_\text{conf}=\frac{1}{|\mathcal{P}|}\sum_{(j,k)\in\mathcal{P}}\| c(d_{jk}) - \hat{c}_{j}\|^2, \tag{8} \end{align}

\mathcal{L}=\mathcal{L}_\text{cls}+\alpha\mathcal{L}_\text{conf}, \tag{9}

(8)(9)

Eq. (8)-(9). Joint class-confidence training loss.class prediction loss에 confidence supervision을 보조 항으로 더해 change 여부와 관측 신뢰도를 함께 학습한다.

Confidence-aware map update

Cross-visibility confidence visualization. — Fig. 4. Cross-visibility confidence: occluded region을 낮은 confidence로 분리해 negative-change update 오류를 줄임.낮은 confidence 영역을 update에서 제외해, 가려진 map point를 사라진 구조로 오인하지 않도록 설계한다.

\begin{aligned} &l(\hat{y}_j\ |\ \mathcal{M}_{0:t}) \\ &= \begin{cases} l(\hat{y}_j\ |\ \mathcal{M}_{0:t-1}) \\ +\ l(\hat{y}_j\ |\ \mathcal{M}_{t})-l(\hat{y}_j),\\ l(\hat{y}_j), \end{cases} \ \begin{aligned} &\text{if} \ \hat{c}_j\gt\tau_\text{conf}^\text{map}, \\ \\ &\text{otherwise} \end{aligned} \qquad(10) \end{aligned}

(10)

Eq. (10). Confidence-gated log-odds update.confidence threshold를 넘은 map-wise prediction만 log-odds로 누적해 occlusion 영역의 성급한 map update를 줄인다.

Inference rule 요약

scan과 map은 같은 confidence를 쓰지만, update 목적이 달라 threshold 해석이 다르다.

대상	조건	효과
Scan positive change	ĉ_j < τ^scan_conf인 scan 영역을 change로 분류	현재 scan에서 새로 보이는 구조를 탐지
Map negative change	ĉ_j > τ^map_conf인 map point만 log-odds update	occlusion-prone region의 잘못된 삭제 방지
Log-odds terms	l(ŷ_j\|M_0:t), l(ŷ_j\|M_t), l(ŷ_j)	누적 posterior, 현재 관측 evidence, prior class probability를 분리해 읽음
Prior reset	confidence가 낮으면 l(ŷ_j)로 유지	관측 부족을 변화 없음으로 오해하지 않음

Map update 핵심

map update에서 중요한 것은 class score 자체보다 update 조건이다. confidence가 낮은 영역은 “변화가 없다”가 아니라 “관측이 충분하지 않다”로 읽어야 한다.

Evidence: 어떤 sensor와 dataset에서 검증했나

평가는 dataset 이름을 따라가기보다, 각 결과가 어떤 주장을 검증하는지로 읽는 편이 자연스럽다. Chamelion은 scan-wise positive change detection, map-wise negative change update, 그리고 pseudo label / confidence head / HD removal / threshold 같은 설계 선택의 필요성을 나누어 검증한다.

Evaluation Evidence

핵심 평가는 실제 change detection 성능이고, 보조 근거는 왜 이 구조가 필요한지 설명한다.

핵심 평가

평가 축	근거	확인할 것
Scan-wise PC detection	Table I/II, Fig. 5/6	새로 나타난 구조를 scan point에서 찾는 능력Custom dataset과 LiSTA에서 IoU를 비교하고, qualitative figure로 false change를 확인.
Map-wise NC update	Table I/II, Fig. 5/6	사라진 구조를 map에서 제거하되 static point를 보존PR/RR/F1로 보수적 update와 recall 사이의 균형을 확인.

보조 근거

근거 축	근거	확인할 것
Robustness	Fig. 7, Eq. (11)-(12)	voxel size와 registration noise 변화map-scan alignment가 흔들릴 때 성능이 어떻게 변하는지 확인.
HD removal	Table III, Fig. 8	HD object 제거가 LD change 학습을 안정화transient object를 남기면 pseudo LD label이 흐려질 수 있음.
Runtime / deployment	Table IV	desktop GPU와 embedded platform 속도online long-term mapping framework로 쓸 수 있는지 확인.
Ablation	Table V-VII, Fig. 9	pseudo supervision, dual head, feature division, threshold의 필요성단순 최고 점수보다 어떤 failure mode를 줄였는지가 중요.

Change Detection / Robustness Evidence

Evaluation Brief

결과는 IoU 하나로 끝나지 않는다. scan-wise IoU는 새로 나타난 구조를 잘 잡는지, map-wise F1은 사라진 구조를 map에서 안정적으로 제거하는지를 본다.

Custom dataset

construction site와 lab 환경. Chamelion은 scan-wise IoU에서 classification baseline과 경쟁하면서 map-wise F1도 균형 있게 유지.

LiSTA dataset

indoor office change detection. 관측 위치가 제한되어 map update가 보수적으로 진행되고 RR이 낮아질 수 있음.

Voxel / registration robustness

training voxel size와 맞을 때 안정적이며, registration noise가 커질수록 IoU와 F1 감소.

HD removal

HD object 제거가 map-wise F1과 scan-wise IoU를 모두 개선. LD detection 전처리로 중요.

Runtime

RTX 3060에서 14.83 Hz, Orin NX에서 2.74 Hz. embedded deployment 가능성을 제시.

Ablation

pseudo label, dual-head, low-level confidence feature, threshold 선택이 각각 성능에 영향.

Training / inference 설정

실험을 읽을 때 필요한 구현 세부값은 본문에 짧게 고정해 둔다.

항목	값	의미
Input quantization	voxel size 0.1 m	훈련 데이터의 scan/map density 기준
Confidence target	τ_ocl = 3.0m, $\lambda=10$	distance 기반 confidence decay 설정
Loss / optimizer	α=0.01, Adam, 최대 50 epochs, batch size 2	class loss를 주 task로 두고 confidence를 보조 supervision으로 사용
Custom threshold	τ^scan_conf = 0.5, τ^map_conf = 0.7	registration drift와 noise가 있는 real-world setting에 맞춘 보수적 map update
LiSTA threshold	τ^scan_conf = 0.6, τ^map_conf = 0.5	drift가 적고 scan 수가 제한된 simulation setting에 맞춘 update 확대

Custom dataset quantitative table. — Table I. Custom dataset에서 scan-wise IoU와 map-wise PR/RR/F1 비교.custom dataset에서는 scan-wise positive change와 map-wise negative change를 함께 보며, Chamelion이 geometry threshold 기반 baseline보다 안정적인 균형을 보이는지 확인한다.

Custom dataset qualitative comparison. — Fig. 5. Custom dataset 정성 비교: red/blue error point가 적을수록 좋은 결과.error point 분포를 통해 geometry-only baseline이 occlusion이나 density 변화에서 false change를 만드는 지점을 확인할 수 있다.

LiSTA quantitative comparison. — Table II. LiSTA dataset 정량 비교.LiSTA에서는 scan position과 관측 범위가 제한되므로, scan-wise 성능과 map-wise recall을 분리해서 읽는 것이 중요하다.

LiSTA qualitative comparison. — Fig. 6. LiSTA 정성 비교: threshold 기반 방법이 놓치는 가까운 변화와 occlusion 영역 확인.가까운 변화와 occlusion-prone region에서 threshold 기반 방법이 놓치는 failure case를 보여준다.

Metric / Robustness 수식 보기

Metric / Robustness 수식

주요 metric과 robustness 실험 수식은 evaluation claim을 해석하기 위한 최소 단위다.

Evaluation metric

수식	역할	읽는 포인트
IoU_PC = TCTC + FC + FS	scan-wise positive change detection	true/false change와 false static을 함께 반영
PR = preserved static / total staticRR = 1 - remaining NC / total NCF1 = 2PR·RR/(PR+RR)	map-wise negative change update	static point preservation과 negative change rejection을 함께 평가

Registration robustness

수식	역할	읽는 포인트
G′ = exp(ω̂_L)G + t_L	registration error injection	map-scan alignment 오차에 대한 robustness 확인
L, t_L~N(0,L²Σ_T), ω_L~N(0,L²Σ_R)	perturbation level, translation noise, rotation noise	hat operator는 rotation vector를 skew-symmetric matrix로 보내 exponential map에 사용

$$\mathrm{IoU}_{\mathrm{PC}}=\frac{\mathrm{TC}}{\mathrm{TC}+\mathrm{FC}+\mathrm{FS}}\tag{11}$$

Eq. (11). Positive-change IoU metric.true change, false change, false static을 함께 세어 scan-wise positive change 검출 품질을 평가한다.

$$G'=\exp(\hat{\omega}_L)G+t_L\tag{12}$$

Eq. (12). Registration-error perturbation.pose에 synthetic SE(3) noise를 넣어 map-scan registration error가 change detection에 주는 영향을 시험한다.

추가 평가 결과 보기

Voxel and registration robustness plot. — Fig. 7. Map voxel size와 registration noise 변화에 따른 성능 변화.훈련 voxel size와 inference voxel size가 어긋나거나 registration noise가 커질수록 성능이 하락하는 robustness 한계를 보여준다.

HD removal ablation table. — Table III. HD object 제거 여부에 따른 LD change detection 성능.HD object removal이 pseudo LD label의 contamination을 줄이고, scan-wise IoU와 map-wise F1을 개선하는지 검증한다.

Qualitative HD object removal visualization. — Fig. 8. Table III의 HD object removal 조합을 정성적으로 보여주는 visualization.transient object가 남을 때 false change가 어떻게 생기는지, HD removal 조합별 qualitative 차이로 확인한다.

Runtime comparison table. — Table IV. 데스크톱 GPU와 embedded platform의 runtime / 성능 비교.runtime은 정확도와 별개로 long-term online mapping에 실제로 사용할 수 있는지를 판단하는 deployment 근거다.

Ablation Evidence

Manual versus pseudo supervision table. — Table V. Training/test domain을 바꿔 manual supervision과 pseudo supervision의 일반화 성능 비교.pseudo supervision이 특정 labeled domain에 과적합하지 않고 환경 다양성을 제공하는지 확인하는 실험이다.

LiSTA manual versus pseudo supervision table. — Table VI. LiSTA dataset에서 manual supervision과 pseudo supervision을 비교한 결과.LiSTA에서도 pseudo label 기반 학습이 manual setting 대비 어느 정도 유지되는지 보는 보조 근거다.

Network ablation visualization. — Table VII. Dual-head 구조와 low-level feature division ablation.confidence head와 low-level feature division이 occlusion 판단과 class prediction에 주는 영향을 분리해 보여준다.

Confidence threshold ablation plot. — Fig. 9. Confidence threshold sweep: dataset별 권장 threshold 범위 확인.최적 confidence threshold는 dataset마다 달라지므로, universal threshold보다 환경별 선택이 중요하다는 점을 보여준다.

Ablation 핵심

여기서는 최고 수치보다 failure mode를 보는 것이 더 중요하다.

항목	요점	의미
Pseudo supervision	Custom(P), LiSTA(P)가 manual supervision보다 일반화에 유리	composition augmentation이 환경 다양성 제공
Dual-head	confidence head가 없으면 RR과 F1 저하	occlusion 영역 업데이트 제어 실패
Feature division	confidence head는 low-level feature 사용 시 가장 안정적	visibility는 semantic보다 local geometry에 가까움
Threshold	dataset별 최적 τ_conf가 다름	drift, scan density, update frequency에 따라 조정 필요

Usage / Limits: 언제 쓰기 좋은가

Chamelion은 prior LiDAR map을 장기간 유지하면서 일시적으로 가려진 영역과 실제 구조 변화를 구분해야 하는 상황에 잘 맞는다. 반대로 pose registration이 크게 어긋나거나, pseudo object composition이 실제 변화 분포를 충분히 덮지 못하는 환경에서는 confidence와 threshold 선택이 더 민감해진다.

When to Use / Avoid

ablation과 한계를 적용 조건으로 바꾸면 아래처럼 읽을 수 있다.

구분	요약	이유
Good fit	건설 현장, 실내 장기 mapping, 반복 주행 LiDAR map maintenance	prior map과 current scan의 구조 변화가 누적 관리 대상
Required assumption	scan-map registration, object composition 학습 데이터, confidence threshold 설정	잘못된 alignment와 threshold는 false update를 만들 수 있음
Weak condition	가려짐이 심하거나, 학습된 object composition과 실제 변화가 크게 다른 환경	confidence head가 보수적으로 동작하면 recall이 줄고, 과감하면 map corruption 위험 증가
Future direction	fixed cross-visibility 대신 dynamic cross-visibility 계산	registration error나 map voxel size 변화에 cross-visibility 기준이 흔들릴 수 있음

느낀점

(작성중)...

Problem: how do we separate occlusion from true LiDAR change?

Chamelion starts from the fact that a prior LiDAR map and a current scan can disagree for different reasons. Transient objects, occlusion, true low-dynamic structural changes, and registration noise can all create map-scan differences. The paper therefore treats change detection as a question of whether an observed difference is trustworthy enough to update the map.

Problem Flow

The paper reframes LiDAR change detection from “is there a difference?” to “is this difference reliable?”

01Prior map

Long-term operation requires repeated comparison between the map and current scans.

02Transient scene

HD objects, occlusion, and density changes create apparent differences.

03False update

Treating occluded areas as removed structure corrupts the long-term map.

04Chamelion

Predict change class and cross-visibility confidence together.

Problem / Proposal

The paper framing and related work converge on occlusion-aware map maintenance.

Problem axis	Bottleneck in prior approaches	Chamelion's view
Label scarcity	Multi-session LiDAR change labels are expensive to collect and annotate.	Generate pseudo changes from single-session scans through composition.
Occlusion ambiguity	Geometry-only differencing confuses invisible regions with removed structures.	Use cross-visibility confidence to decide whether an update is reliable.
Map maintenance	Scan-wise detection alone does not safely update a prior map.	Use confidence thresholds and Bayesian log-odds for conservative updates.

Change-type Decomposition

This taxonomy explains why the method needs both scan-wise and map-wise evaluation.

Type	Meaning	How Chamelion treats it
HD object	Objects moving within a short observation window.	Removed with MOS/tracking before LD change learning.
LD change	Static within the scan but structurally different from the prior map.	Main detection target.
Positive change	Present in the current scan but absent from the prior map.	Evaluated by scan-wise IoU.
Negative change	Present in the prior map but removed from the current scene.	Evaluated by map-wise PR/RR/F1.

Related-work flow

Related-work structure

The related work separates dataset generation from LiDAR change detection, which clarifies why Chamelion needs both pseudo labels and confidence-aware map updates.

ADataset generation

Multi-session labeled data is hard to obtain; simulation and 2D synthesis differ from long-term LiDAR mapping.

BGeometric change detection

Occupancy, TSDF, and ray-visibility methods are sensitive to occlusion and noise.

CLearning-based LiDAR methods

They can infer changes quickly, but multi-session labels and occlusion disambiguation remain bottlenecks.

Where Chamelion improves the prior work

The main bottlenecks are scarce labeled multi-session data and ambiguity between missing observations and real structural changes.

Family	Core idea	Gap / connection
Dataset synthesis	Increase change samples through simulation or 2D-style synthesis.	Does not fully match real LiDAR density, occlusion, and registration noise.
Geometric CD	Compare maps and scans using occupancy, TSDF, or ray visibility.	Occluded regions can be mistaken for removed structures.
Learning-based CD	Predict scan-wise changes using semantic and contextual features.	Needs richer labels and a conservative map-update rule.
Chamelion	Combines object composition with a confidence head.	Uses pseudo labels for training and visibility confidence for cautious map updates.

Mechanism: pseudo changes and confidence-aware updates

The problem above requires the system to distinguish true structural changes from occlusion or transient-object artifacts. Chamelion solves this in three steps: it synthesizes pseudo positive/negative changes from single-session scans, predicts change class and confidence with a 4D sparse CNN over map/scan points, and updates only sufficiently confident map points through a Bayesian filter.

Mechanism Thread Summary

The method is one chain: training-data scarcity → occlusion reasoning → stable map updates.

Part	What it solves	Core device
Composition augmentation	Lack of manual multi-session labels.	HD removal, static object database, scan/map object paste.
4D sparse input	Map and scan points alone do not expose visibility relations.	Point coordinates plus visibility flag ν, concatenated tensor T′ ∈ R^{(m′+n′)×4}, and feature F ∈ R^{(m′+n′)×D}.
Dual-head network	Change classification and observation reliability are different tasks.	Class head plus cross-visibility confidence head.
Map update	Accumulated false deletion of occluded map points.	Confidence threshold plus Bayesian log-odds update.

Design Choice

The key choice is to avoid writing every predicted change into the map; only sufficiently confident changes are integrated.

Rejected path

Depend only on manual multi-session labels or raw geometric differences.

Chosen path

Train on pseudo changes and split class prediction from confidence prediction.

Effect

More conservative map maintenance in transient LiDAR environments with occlusion and noise.

Pseudo supervision and dual-head inference

Pseudo-label Generation

The paper avoids direct multi-session change collection by pasting static-object instances into scans and maps.

Stage	Operation	Meaning
Static map build	Accumulate single-session scans into a prior-like map.	Obtain the base scene without extra annotation.
HD removal	Remove high-dynamic objects with MOS/tracking.	Suppress temporal artifacts that interfere with LD changes.
Object database	Cut out static-object snapshots into a database.	Provide diverse pseudo structural-change sources.
Paste to scan/map	Insert objects to create positive changes in scans and negative changes in maps.	Create supervision from single-session data.

Map / object database notation

Notation / Generation Rules

Basic notation for Eq. (1)-(3) and object-insertion rules is kept here as reference.

Symbol / rule	Meaning	Reading point
$\mathcal{S}_i^\text{local}$ , $G_i$ , S_i	sensor-frame scan, pose, and world-frame scan	Base notation for accumulating a single-session map.
$\mathcal{M}^\mathcal{S}$ , S_0:T	global map and scan sequence accumulated up to t_T	Base scene before pseudo multi-session synthesis.
O^k, $\mathcal{DB}$	tracked static-object snapshots and the object database	Static objects after HD removal become augmentation sources.
o^k_j, N_T	The j-th snapshot of the k-th static object, and the number of static objects tracked up to t_T	Indexing and database size used in Eq. (2)-(3).
O_pc, O_nc, ⊕	Positive-change object set inserted into scans, negative-change object set inserted into the map, and object-insertion operator.	Separates the scan/map augmentation directions in Eq. (4)-(5).
O_pc ∩ O_nc = ∅	One object is not used as both PC and NC in the same pseudo sample.	Prevents label ambiguity.
ground-aware insertion	Objects are placed at geometrically plausible positions.	Keeps synthetic changes close to realistic structural changes.

M^S = T⋃i=0 S_i

(1)

Eq. (1). Static prior-map accumulation.Accumulates single-session scans in world coordinates to build the static prior map used for pseudo-change generation.

O^k=\{o_j^k\ |\ j=0,...,T\}

\begin{align} &\tilde{\mathcal{M}}=\mathcal{M}^\mathcal{S}\oplus O_{\text{nc}}, \tag{4} \\ &\tilde{\mathcal{S}}_{0:T}=\{\mathcal{S}_i \oplus o_{pc}\ |\ o_{pc}\in O_{pc}, i=0,...,T \} \tag{5} \end{align}

(4)(5)

Eq. (4)-(5). Pseudo-change object insertion.Inserts different object sets into the prior map and current scan to synthesize pseudo negative and positive changes.

Dual-head Structure

The two heads use different feature levels because semantic classification and visibility confidence require different evidence.

Head	Target	Input feature	Purpose
Class head	static / positive / negative change	high-level feature $F_\text{HLF}$	Classify the semantic change type.
Confidence head	cross-visibility confidence	low-level feature $F_\text{LLF}$	Decide whether the region is jointly visible.

Confidence Target Detail

The confidence head learns joint visibility from a nearest-distance target between map and scan domains.

Element	Setting	Meaning
d_jk	Euclidean distance between scan point p_k and nearest map point p_j	Larger distance means lower cross-visibility.
τ_vox	confidence 1 below voxel-size distance	The two points are treated as observing the same local space.
τ_ocl	confidence 0 beyond occlusion distance	The point is likely occluded or unmatched.
truncated decay	exponential decay between τ_vox and τ_ocl	Improves training stability and convergence speed.

c(d_{jk})= \begin{cases} 0, \\ \exp(-\lambda\cdot(d_{jk}-\tau_{\text{vox}})), \\ 1, \\ \end{cases} \ \begin{aligned} &\text{if}\ d_{jk} \ge \tau_\text{ocl}, \\ &\text{if}\ \tau_\text{vox} \lt d_{jk} \lt \tau_\text{ocl}, \\ &\text{if}\ d_{jk} \le \tau_\text{vox}, \end{aligned}

(7)

Eq. (7). Cross-visibility confidence target.Turns the nearest opposite-domain map-scan distance into a decayed confidence target for visibility supervision.

Training loss / feature notation

Training loss notation

Auxiliary notation for Eq. (6), Eq. (8), and Eq. (9). The main reading flow stays focused on the confidence target in Eq. (7).

Symbol / item	Meaning	Reading point
m+n, y_j,c, ŷ_j,c	Total map/scan points, ground-truth class probability, and predicted class probability.	Core notation for the class cross-entropy in Eq. (6).
c ∈ {0,1,2}	Static, positive-change, and negative-change class index.	The class head is trained as a 3-class predictor.
𝒫, \|𝒫\|, ĉ_j	Sampled map-scan point-pair set, number of pairs, and predicted confidence.	Clarifies where the MSE confidence loss in Eq. (8) is evaluated.
F_HLF, F_LLF	High-level feature for the class head and low-level feature for the confidence head.	Classification uses semantic/context cues; visibility uses local geometry cues.

\mathcal{L}_{cls}=-\frac{1}{m+n}\sum_{j=1}^{m+n}\sum_{c=0}^{2}y_{j,c}\log(\hat{y}_{j,c})

(6)

Eq. (6). Change-class cross-entropy loss.Trains the class head to separate static, positive-change, and negative-change labels.

\begin{align} \mathcal{L}_\text{conf}=\frac{1}{|\mathcal{P}|}\sum_{(j,k)\in\mathcal{P}}\| c(d_{jk}) - \hat{c}_{j}\|^2, \tag{8} \end{align}

\mathcal{L}=\mathcal{L}_\text{cls}+\alpha\mathcal{L}_\text{conf}, \tag{9}

(8)(9)

Eq. (8)-(9). Joint class-confidence training loss.Adds confidence supervision to the class loss so the network learns both change labels and update reliability.

Confidence-aware map update

\begin{aligned} &l(\hat{y}_j\ |\ \mathcal{M}_{0:t}) \\ &= \begin{cases} l(\hat{y}_j\ |\ \mathcal{M}_{0:t-1}) \\ +\ l(\hat{y}_j\ |\ \mathcal{M}_{t})-l(\hat{y}_j),\\ l(\hat{y}_j), \end{cases} \ \begin{aligned} &\text{if} \ \hat{c}_j\gt\tau_\text{conf}^\text{map}, \\ \\ &\text{otherwise} \end{aligned} \qquad(10) \end{aligned}

(10)

Eq. (10). Confidence-gated log-odds update.Accumulates only sufficiently confident map-wise predictions as log-odds to avoid updating occluded regions too aggressively.

Inference Rule Summary

Scan and map predictions use confidence differently because they serve different update goals.

Target	Condition	Effect
Scan positive change	scan region with ĉ_j < τ^scan_conf is treated as change	Detects newly observed structures.
Map negative change	only map points with ĉ_j > τ^map_conf enter log-odds update	Prevents deleting occlusion-prone map regions.
Log-odds terms	l(ŷ_j\|M_0:t), l(ŷ_j\|M_t), l(ŷ_j)	Separates accumulated posterior, current observation evidence, and prior class probability.
Prior reset	low confidence falls back to l(ŷ_j)	Does not confuse insufficient visibility with no change.

Map Update Key

The key map-update question is not only the class score. A low-confidence region should be read as “not sufficiently observed,” not as “unchanged.”

Evidence: which sensors and datasets test the claims?

The evaluation is clearer when read by claim rather than by dataset name. Chamelion separately tests scan-wise positive-change detection, map-wise negative-change updating, and the need for pseudo labels, confidence prediction, HD removal, and threshold selection.

Evaluation Evidence

The core evaluation checks change-detection performance, while supporting evidence explains why each design choice is needed.

Core evaluation

Evaluation axis	Evidence	What to check
Scan-wise PC detection	Table I/II, Fig. 5/6	Detect newly appearing structures in scan points.Custom and LiSTA results compare IoU, with qualitative figures showing false-change patterns.
Map-wise NC update	Table I/II, Fig. 5/6	Remove disappeared structures while preserving static map points.PR/RR/F1 show the balance between conservative updates and recall.

Supporting evidence

Evidence axis	Evidence	What to check
Robustness	Fig. 7, Eq. (11)-(12)	Voxel-size and registration-noise sensitivity.Checks how performance changes when map-scan alignment is perturbed.
HD removal	Table III, Fig. 8	HD removal stabilizes LD-change learning.Leaving transient objects can blur pseudo LD labels.
Runtime / deployment	Table IV	Desktop GPU and embedded-platform speed.Checks whether the framework is usable for online long-term mapping.
Ablation	Table V-VII, Fig. 9	Need for pseudo supervision, dual heads, feature division, and thresholds.The important point is which failure mode each component reduces.

Change Detection / Robustness Evidence

Evaluation Brief

Do not read the results through IoU alone. Scan-wise IoU measures newly observed structures, while map-wise F1 measures whether removed structures are updated without destroying static points.

Custom dataset

Construction-site and lab scenes; Chamelion balances scan-wise IoU with map-wise F1.

LiSTA dataset

Indoor office changes; limited scan positions make map updates more conservative.

Voxel / registration robustness

Performance is strongest near the training voxel scale and decreases with registration noise.

HD removal

Removing HD objects improves both map-wise F1 and scan-wise IoU.

Runtime

14.83 Hz on RTX 3060 and 2.74 Hz on Orin NX.

Ablation

Pseudo labels, dual heads, low-level confidence features, and threshold choice each matter.

Training / Inference Settings

The implementation values needed to read the experiments are kept in the main flow.

Item	Value	Meaning
Input quantization	0.1 m voxel size	Training scan/map density reference.
Confidence target	τ_ocl = 3.0m, $\lambda=10$	Distance-based confidence decay setting.
Loss / optimizer	α=0.01, Adam, up to 50 epochs, batch size 2	Class loss remains the main task, confidence acts as auxiliary supervision.
Custom threshold	τ^scan_conf = 0.5, τ^map_conf = 0.7	Conservative map update for real-world noise and registration drift.
LiSTA threshold	τ^scan_conf = 0.6, τ^map_conf = 0.5	Expanded update range for lower-drift simulation with fewer scans.

Metric / robustness equations

Metric and robustness equations

These equations define the evaluation claims and the registration-noise robustness test.

Evaluation metric

Equation	Role	Reading point
IoU_PC = TCTC + FC + FS	Scan-wise positive-change metric.	Combines true change, false change, and false static.
PR = preserved static / total staticRR = 1 - remaining NC / total NCF1 = 2PR·RR/(PR+RR)	Map-wise negative-change metric.	Evaluates static-point preservation and negative-change rejection together.

Registration robustness

Equation	Role	Reading point
G′ = exp(ω̂_L)G + t_L	Registration-error injection.	Tests robustness to map-scan alignment error.
L, t_L~N(0,L²Σ_T), ω_L~N(0,L²Σ_R)	Perturbation level, translation noise, and rotation noise.	The hat operator maps the rotation vector to a skew-symmetric matrix for the exponential map.

$$\mathrm{IoU}_{\mathrm{PC}}=\frac{\mathrm{TC}}{\mathrm{TC}+\mathrm{FC}+\mathrm{FS}}\tag{11}$$

Eq. (11). Positive-change IoU metric.Measures scan-wise positive-change detection by combining true change, false change, and false static counts.

$$G'=\exp(\hat{\omega}_L)G+t_L\tag{12}$$

Eq. (12). Registration-error perturbation.Injects synthetic SE(3) noise into the pose to test robustness against map-scan registration error.

View additional evaluation details