論文の概要: UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation

• arxiv url: http://arxiv.org/abs/2311.01448v1
• Date: Thu, 2 Nov 2023 17:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 12:08:18.036315
• Title: UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation
• Title（参考訳）: UltraLiDAR:LiDARの補完と生成のためのコンパクト表現の学習
• Authors: Yuwen Xiong, Wei-Chiu Ma, Jingkang Wang, Raquel Urtasun
• Abstract要約: 我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
• 参考スコア（独自算出の注目度）: 51.443788294845845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR provides accurate geometric measurements of the 3D world. Unfortunately, dense LiDARs are very expensive and the point clouds captured by low-beam LiDAR are often sparse. To address these issues, we present UltraLiDAR, a data-driven framework for scene-level LiDAR completion, LiDAR generation, and LiDAR manipulation. The crux of UltraLiDAR is a compact, discrete representation that encodes the point cloud's geometric structure, is robust to noise, and is easy to manipulate. We show that by aligning the representation of a sparse point cloud to that of a dense point cloud, we can densify the sparse point clouds as if they were captured by a real high-density LiDAR, drastically reducing the cost. Furthermore, by learning a prior over the discrete codebook, we can generate diverse, realistic LiDAR point clouds for self-driving. We evaluate the effectiveness of UltraLiDAR on sparse-to-dense LiDAR completion and LiDAR generation. Experiments show that densifying real-world point clouds with our approach can significantly improve the performance of downstream perception systems. Compared to prior art on LiDAR generation, our approach generates much more realistic point clouds. According to A/B test, over 98.5\% of the time human participants prefer our results over those of previous methods.
• Abstract（参考訳）: LiDARは3D世界の正確な幾何学的計測を提供する。 残念ながら、高密度のLiDARは非常に高価であり、低ビームのLiDARによって捕獲される点の雲は、しばしば希薄である。 これらの問題に対処するために、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 UltraLiDARのクルックスは、点雲の幾何学的構造を符号化するコンパクトで離散的な表現であり、ノイズに対して堅牢であり、操作が容易である。 疎点雲の表現と密点雲の表現を整合させることにより、疎点雲を本物の高密度LiDARに捕捉されたかのように密度化することができ、コストを大幅に削減できることを示す。 さらに、離散的なコードブックで事前学習することで、自動運転のための多様で現実的なlidarポイントクラウドを生成することができる。 我々は,Sparse-to-Dense LiDARとLiDAR生成におけるUltraLiDARの有効性を評価する。 実験により,我々のアプローチによる実世界の点雲の密度化は下流認識システムの性能を著しく向上させることが示された。 従来のLiDAR生成技術と比較して、我々のアプローチはより現実的な点雲を生成する。 a/bテストによると、被験者の98.5\%以上が従来の方法よりも結果を好む。

関連論文リスト

• 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)
• Towards Realistic Scene Generation with LiDAR Diffusion Models [15.487070964070165]
  拡散モデル(DM)はフォトリアリスティック画像合成において優れているが、LiDARシーン生成への適応は大きなハードルとなる。 我々は,LiDARシーンのリアリズムを捉えるために,LiDAR拡散モデル(LiDM)を提案する。 具体的には、実世界のLiDARパターンをシミュレートするための曲線ワイド圧縮、シーン幾何学を学ぶための点ワイド座標調整、フル3Dオブジェクトコンテキストに対するパッチワイド符号化を導入する。
  論文  参考訳（メタデータ） (2024-03-31T22:18:56Z)
• RangeLDM: Fast Realistic LiDAR Point Cloud Generation [12.868053836790194]
  本研究では,高品質なLiDAR点雲を高速に生成するための新しいアプローチであるRangeLDMを紹介する。 Hough 投票による点雲から範囲画像への正確な投影のために、レンジビューデータ分布を補正することで、これを実現する。 我々は、レンジ誘導型識別器を考案し、3次元構造的忠実性を維持するようモデルに指示する。
  論文  参考訳（メタデータ） (2024-03-15T08:19:57Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• Detecting the Anomalies in LiDAR Pointcloud [8.827947115933942]
  逆の気象条件は、LiDARが散乱ノイズ点や異常強度値などの異常なパターンを持つ点雲を発生させる可能性がある。 そこで本研究では,LiDARが点雲特性を解析して異常点雲を発生しているかどうかを検知する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-31T22:53:42Z)
• NeRF-LiDAR: Generating Realistic LiDAR Point Clouds with Neural Radiance Fields [20.887421720818892]
  実世界の情報を利用してリアルなLIDAR点雲を生成する新しいLiDARシミュレーション手法であるNeRF-LIDARを提案する。 我々は,生成したLiDAR点雲上で異なる3次元セグメンテーションモデルをトレーニングすることにより,NeRF-LiDARの有効性を検証する。
  論文  参考訳（メタデータ） (2023-04-28T12:41:28Z)
• LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
  本稿では,LiDARセンサのための新しいビュー合成手法を提案する。 スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。 ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
  論文  参考訳（メタデータ） (2023-04-20T15:44:37Z)
• Learning to Generate Realistic LiDAR Point Clouds [15.976199637414886]
  LiDARGenは、現実的なLiDARポイントクラウドセンサ読み取りを生成する、新しく、効果的で、制御可能な生成モデルである。 我々は,KITTI-360とNuScenesのデータセットに挑戦する手法を検証する。
  論文  参考訳（メタデータ） (2022-09-08T17:58:04Z)
• LaserMix for Semi-Supervised LiDAR Semantic Segmentation [56.73779694312137]
  We study the underexplored semi-supervised learning (SSL) in LiDAR segmentation。 当社の中核となる考え方は、LiDAR点雲の強い空間的手がかりを活用して、ラベルのないデータをうまく活用することです。 我々は、異なるLiDARスキャンからレーザービームを混合し、一貫性と自信のある予測を行うことを奨励するLaserMixを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:00:04Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)

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。