การเก็บข้อมูล LiDAR ในสภาพอากาศที่ยากลำบากอย่างฝนตกหรือหิมะหนักมีต้นทุนสูงและทำได้ยาก งานวิจัยนี้จึงนำเสนอ PICWGAN ซึ่งเป็นเฟรมเวิร์กการเรียนรู้ที่ผสานหลักการทางฟิสิกส์เข้ากับ generative models (GANs) เพื่อจำลองการลดทอนของสัญญาณ LiDAR และการผิดเพี้ยนของรูปทรงเนื่องจากสภาพบรรยากาศ
จากการทดสอบกับชุดข้อมูลจริงอย่าง CADC และ Boreas พบว่าวิธีนี้สามารถเลียนแบบรูปแบบความเข้มของสัญญาณ (Intensity patterns) ได้ใกล้เคียงของจริงมาก และเมื่อนำข้อมูลที่จำลองขึ้นไปฝึกฝนโมเดลตรวจจับวัตถุ 3 มิติ พบว่าให้ประสิทธิภาพสูงกว่าวิธีการจำลองแบบเดิมและเทียบเท่ากับการฝึกด้วยข้อมูลจริง ช่วยลดช่องว่างระหว่างโลกจำลองและโลกจริง (sim-to-real gap) ได้อย่างมีนัยสำคัญ
