論文の概要: Generative Range Imaging for Learning Scene Priors of 3D LiDAR Data

• arxiv url: http://arxiv.org/abs/2210.11750v1
• Date: Fri, 21 Oct 2022 06:08:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:24:23.447719
• Title: Generative Range Imaging for Learning Scene Priors of 3D LiDAR Data
• Title（参考訳）: 3次元LiDARデータの事前学習のための生成範囲イメージング
• Authors: Kazuto Nakashima, Yumi Iwashita, Ryo Kurazume
• Abstract要約: 本稿では,データレベルドメイン転送に適用可能なLiDARレンジ画像の生成モデルを提案する。 LiDAR測定がポイント・バイ・ポイント・レンジ・イメージングに基づくことから,暗黙的な画像表現に基づく生成対向ネットワークを訓練する。 本モデルの有効性と多様性を,ポイントベースおよびイメージベース・オブ・ザ・アーティファクト・ジェネレーティブ・モデルと比較した。
• 参考スコア（独自算出の注目度）: 3.9447103367861542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D LiDAR sensors are indispensable for the robust vision of autonomous mobile robots. However, deploying LiDAR-based perception algorithms often fails due to a domain gap from the training environment, such as inconsistent angular resolution and missing properties. Existing studies have tackled the issue by learning inter-domain mapping, while the transferability is constrained by the training configuration and the training is susceptible to peculiar lossy noises called ray-drop. To address the issue, this paper proposes a generative model of LiDAR range images applicable to the data-level domain transfer. Motivated by the fact that LiDAR measurement is based on point-by-point range imaging, we train an implicit image representation-based generative adversarial networks along with a differentiable ray-drop effect. We demonstrate the fidelity and diversity of our model in comparison with the point-based and image-based state-of-the-art generative models. We also showcase upsampling and restoration applications. Furthermore, we introduce a Sim2Real application for LiDAR semantic segmentation. We demonstrate that our method is effective as a realistic ray-drop simulator and outperforms state-of-the-art methods.
• Abstract（参考訳）: 3D LiDARセンサーは、自律移動ロボットの堅牢なビジョンには不可欠である。 しかし、LiDARベースの認識アルゴリズムのデプロイは、一貫性のない角分解能や欠落プロパティなどのトレーニング環境とのドメインギャップのために失敗することが多い。 既存の研究では、ドメイン間マッピングを学習することでこの問題に取り組み、転送性はトレーニング構成によって制約され、レイドロップと呼ばれる特殊な損失ノイズの影響を受けやすい。 そこで本研究では,データレベルドメイン転送に適用可能なLiDARレンジ画像の生成モデルを提案する。 また,LDAR測定がポイント・バイ・ポイント・レンジ・イメージングに基づくことから,暗黙的な画像表現に基づく生成対向ネットワークと,異なる光線滴効果を訓練する。 ポイントベースやイメージベースの最先端生成モデルと比較して,モデルの忠実性と多様性を実証する。 アップサンプリングやリカバリのアプリケーションも紹介します。 さらに,LiDARセマンティックセグメンテーションのためのSim2Realアプリケーションを提案する。 本手法は現実的なレイドロップシミュレータとして有効であり,最先端手法よりも優れていることを示す。

関連論文リスト

• LiOn-XA: Unsupervised Domain Adaptation via LiDAR-Only Cross-Modal Adversarial Training [61.26381389532653]
  LiOn-XAは、LiDAR-Only Cross-Modal (X)学習と3D LiDARポイントクラウドセマンティックセマンティックセグメンテーションのためのAdversarial Trainingを組み合わせた、教師なしドメイン適応(UDA)アプローチである。 3つの現実的適応シナリオに関する実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-10-21T09:50:17Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。 都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。 我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
  GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
  論文  参考訳（メタデータ） (2023-04-06T14:33:05Z)
• Attention Mechanism for Contrastive Learning in GAN-based Image-to-Image Translation [3.90801108629495]
  本稿では,異なる領域にまたがって高品質な画像を生成可能なGANモデルを提案する。 実世界から取得した画像データと3Dゲームからのシミュレーション画像を用いて、Contrastive Learningを利用してモデルを自己指導的に訓練する。
  論文  参考訳（メタデータ） (2023-02-23T14:23:23Z)
• Shape, Pose, and Appearance from a Single Image via Bootstrapped Radiance Field Inversion [54.151979979158085]
  提案手法では,自然画像に対する基本的エンドツーエンド再構築フレームワークを導入し,正確な地平のポーズが得られない。 そこで,モデルが解の第一の推算を生成するハイブリッド・インバージョン・スキームを適用する。 当社のフレームワークでは,イメージを10ステップでデレンダリングすることが可能で,現実的なシナリオで使用することが可能です。
  論文  参考訳（メタデータ） (2022-11-21T17:42:42Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Supervising Remote Sensing Change Detection Models with 3D Surface Semantics [1.8782750537161614]
  光RGBと地上レベル(AGL)マップペアを用いた共同学習のためのコントラスト表面画像事前学習(CSIP)を提案する。 次に、これらの事前訓練されたモデルをいくつかの建物セグメンテーションおよび変更検出データセット上で評価し、実際に、下流アプリケーションに関連する特徴を抽出することを示す。
  論文  参考訳（メタデータ） (2022-02-26T23:35:43Z)
• MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
  本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。 得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。 実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-26T09:21:41Z)
• Learning to Drop Points for LiDAR Scan Synthesis [5.132259673802809]
  3Dシーンのジェネラティブモデリングは、モバイルロボットが信頼できない観察を改善するための重要なトピックです。 点雲に関する既存の研究のほとんどは、小さく均一な密度のデータに焦点を当てている。 移動ロボットで広く使われている3次元LiDAR点雲は、多数の点と様々な密度のために扱いにくい。 本論文では,リアルなLiDARデータを改良した2次元表現として合成する,ジェネレーティブ・アドバーサリ・ネットワークに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T21:53:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。