論文の概要: TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather

• arxiv url: http://arxiv.org/abs/2408.13802v2
• Date: Thu, 21 Aug 2025 14:05:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:45.904182
• Title: TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather
• Title（参考訳）: TripleMixer: 逆気象のための3DポイントクラウドDenoising Model
• Authors: Xiongwei Zhao, Congcong Wen, Xu Zhu, Yang Wang, Haojie Bai, Wenhao Dou,
• Abstract要約: 逆気象条件は、LiDARベースの知覚モデルに重大な課題をもたらす。 本稿では,空間,周波数,チャネルワイズ処理を統合したポイントクラウドデノナイズネットワークであるTripleMixerを提案する。 大規模な実験により、TripleMixerは最先端のデノイング性能を達成している。
• 参考スコア（独自算出の注目度）: 10.564182855472328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse weather conditions such as snow, fog, and rain pose significant challenges to LiDAR-based perception models by introducing noise and corrupting point cloud measurements. To address this issue, we propose TripleMixer, a robust and efficient point cloud denoising network that integrates spatial, frequency, and channel-wise processing through three specialized mixer modules. TripleMixer effectively suppresses high-frequency noise while preserving essential geometric structures and can be seamlessly deployed as a plug-and-play module within existing LiDAR perception pipelines. To support the development and evaluation of denoising methods, we construct two large-scale simulated datasets, Weather-KITTI and Weather-NuScenes, covering diverse weather scenarios with dense point-wise semantic and noise annotations. Based on these datasets, we establish four benchmarks: Denoising, Semantic Segmentation (SS), Place Recognition (PR), and Object Detection (OD). These benchmarks enable systematic evaluation of denoising generalization, transferability, and downstream impact under both simulated and real-world adverse weather conditions. Extensive experiments demonstrate that TripleMixer achieves state-of-the-art denoising performance and yields substantial improvements across all downstream tasks without requiring retraining. Our results highlight the potential of denoising as a task-agnostic preprocessing strategy to enhance LiDAR robustness in real-world autonomous driving applications.
• Abstract（参考訳）: 雪、霧、雨などの逆の気象条件は、騒音や崩壊点雲の測定を導入することで、LiDARに基づく知覚モデルに重大な課題をもたらす。 この問題に対処するために,3つの特別なミキサーモジュールを通して空間,周波数,チャネルワイズ処理を統合する,堅牢で効率的な点雲復調ネットワークであるTripleMixerを提案する。 TripleMixerは、必要不可欠な幾何学構造を維持しながら、高周波ノイズを効果的に抑制し、既存のLiDAR認識パイプライン内のプラグアンドプレイモジュールとしてシームレスにデプロイできる。 そこで我々は,2つの大規模シミュレーションデータセットであるWeather-KITTIとWeather-NuScenesを構築し,多種多様な気象シナリオを高密度なポイントワイド・セマンティクスとノイズアノテーションでカバーした。 これらのデータセットに基づいて、Denoising、Semantic Segmentation(SS)、Place Recognition(PR)、Object Detection(OD)の4つのベンチマークを確立する。 これらのベンチマークにより、シミュレーションおよび実世界の悪天候条件下での一般化、伝達可能性、下流への影響を体系的に評価することができる。 大規模な実験では、TripleMixerが最先端のDenoisingパフォーマンスを実現し、再トレーニングを必要とせずに、ダウンストリームタスク全体で大幅に改善されていることが示されている。 実世界の自動運転アプリケーションにおけるLiDARのロバスト性を高めるために,タスク非依存の事前処理戦略としてデノナイズする可能性を強調した。

関連論文リスト

• DenoiseCP-Net: Efficient Collective Perception in Adverse Weather via Joint LiDAR-Based 3D Object Detection and Denoising [0.5714074111744111]
  各種気象条件下でのLiDARに基づく集団認識の最初の研究を行う。 悪天候下でのLiDARに基づく集団認識のための新しいマルチタスクアーキテクチャを提案する。 DenoiseCP-Netは、ボクセルレベルのノイズフィルタリングとオブジェクト検出を統一されたスパースバックボーンに統合する。
  論文  参考訳（メタデータ） (2025-07-09T16:05:25Z)
• REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining [0.5668912212306543]
  我々は,3Dポイント・クラウド・デレイニングにおける研究の進展を促進するため,大規模で多モードの降雨データセットREHEARSE-3Dを新たにリリースした。 第一に、4D Radar点雲に富む高解像度のLiDARデータを持つ唯一のデータセットである。 We benchmark raindrop detection and removal in fused LiDAR and 4D Radar point clouds。
  論文  参考訳（メタデータ） (2025-04-30T14:43:38Z)
• WeatherGen: A Unified Diverse Weather Generator for LiDAR Point Clouds via Spider Mamba Diffusion [39.36578688743474]
  3Dシーン認識は、大量の悪天候LiDARデータを要求する。 しかし、LiDARデータ収集のコストは、スケールアップに重大な課題をもたらします。 本稿では,初の多種多様なLiDARデータ拡散生成フレームワークであるWeatherGenについて述べる。
  論文  参考訳（メタデータ） (2025-04-18T09:01:07Z)
• Integrating Weather Station Data and Radar for Precipitation Nowcasting: SmaAt-fUsion and SmaAt-Krige-GNet [4.475469482534038]
  本研究は,降水量予測のための2つの新しい深層学習アーキテクチャを提案する。 1つのモデルは、畳み込み層を通して気象観測所のデータを統合することで、SmaAt-UNetフレームワークを拡張している。 他のモデルでは、降水マップと気象観測所のデータを組み合わせて、地理統計学的手法であるKrigingを用いて処理する。
  論文  参考訳（メタデータ） (2025-02-22T06:46:04Z)
• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models [1.1965844936801797]
  3D LiDARデータの生成モデリングは、自律移動ロボットに有望な応用をもたらす新たな課題である。 我々は,多種多様かつ高忠実な3Dシーンポイント雲を生成可能な,LiDARデータのための新しい生成モデルR2DMを提案する。 本手法は拡散確率モデル (DDPM) を用いて構築され, 生成モデルフレームワークにおいて顕著な結果が得られた。
  論文  参考訳（メタデータ） (2023-09-17T12:26:57Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Scalable Scene Flow from Point Clouds in the Real World [30.437100097997245]
  オープンデータセットに基づくシーンフローの大規模ベンチマークを新たに導入します。 実際のLiDARデータの量に基づいて、これまでの作業がバウンドされているかを示す。 フルポイントクラウド上でリアルタイム推論を提供するモデルアーキテクチャFastFlow3Dを紹介します。
  論文  参考訳（メタデータ） (2021-03-01T20:56:05Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。