Fugu-MT 論文翻訳(概要): LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting

論文の概要: LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting

arxiv url: http://arxiv.org/abs/2410.05111v1
Date: Mon, 7 Oct 2024 15:07:56 GMT
ステータス: 処理完了
システム内更新日: 2024-11-02 00:18:32.935088
Title: LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting
Title（参考訳）: LiDAR-GS:Gaussian Splattingを用いたリアルタイムLiDAR再シミュレーション
Authors: Qifeng Chen, Sheng Yang, Sicong Du, Tao Tang, Peng Chen, Yuchi Huo,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 50.808933338389686
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: LiDAR simulation plays a crucial role in closed-loop simulation for autonomous driving. Although recent advancements, such as the use of reconstructed mesh and Neural Radiance Fields (NeRF), have made progress in simulating the physical properties of LiDAR, these methods have struggled to achieve satisfactory frame rates and rendering quality. To address these limitations, we present LiDAR-GS, the first LiDAR Gaussian Splatting method, for real-time high-fidelity re-simulation of LiDAR sensor scans in public urban road scenes. The vanilla Gaussian Splatting, designed for camera models, cannot be directly applied to LiDAR re-simulation. To bridge the gap between passive camera and active LiDAR, our LiDAR-GS designs a differentiable laser beam splatting, grounded in the LiDAR range view model. This innovation allows for precise surface splatting by projecting lasers onto micro cross-sections, effectively eliminating artifacts associated with local affine approximations. Additionally, LiDAR-GS leverages Neural Gaussian Fields, which further integrate view-dependent clues, to represent key LiDAR properties that are influenced by the incident angle and external factors. Combining these practices with some essential adaptations, e.g., dynamic instances decomposition, our approach succeeds in simultaneously re-simulating depth, intensity, and ray-drop channels, achieving state-of-the-art results in both rendering frame rate and quality on publically available large scene datasets. Our source code will be made publicly available.
Abstract（参考訳）: 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。再構成メッシュやNeRF(Neural Radiance Fields)などの最近の進歩は、LiDARの物理特性のシミュレーションに進展しているが、これらの手法は良好なフレームレートとレンダリング品質を達成するのに苦労している。これらの制約に対処するため,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。カメラモデル用に設計されたバニラ・ガウシアン・スプレイティングは、LiDARの再シミュレーションには直接適用できない。受動カメラとアクティブLiDARのギャップを埋めるために、我々のLiDAR-GSはLiDARレンジビューモデルに接地した微分可能なレーザービームスプラッティングを設計した。この革新により、レーザーをマイクロ断面に投射し、局所的なアフィン近似に関連するアーティファクトを効果的に除去することで、正確な表面スプラッティングが可能になる。さらに、LiDAR-GSは、入射角と外部要因に影響される重要なLiDAR特性を表現するために、ビュー依存の手がかりをさらに統合するNeural Gaussian Fieldsを利用している。これらのプラクティスと、動的インスタンスの分解といったいくつかの重要な適応を組み合わせることで、私たちのアプローチは、深度、強度、およびレイドロップチャネルを同時に再現し、公開可能な大規模なシーンデータセット上での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ことができました。私たちのソースコードは公開されます。

関連論文リスト

Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
論文参考訳（メタデータ） (2024-05-08T17:59:53Z)
Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
本文では,LiDARのみのオドメトリーを連続的視点で検討する。提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。私たちの実装はGitHubでオープンソース化されています。
論文参考訳（メタデータ） (2023-09-25T03:05:06Z)
Neural LiDAR Fields for Novel View Synthesis [80.45307792404685]
本稿では,LiDAR計測からニューラルネットワークシーンの表現を最適化する手法であるLiDAR(NFL)について述べる。 NFLは、ニューラルネットワークのレンダリングパワーと、LiDARセンシングプロセスの詳細な物理的動機付けモデルを組み合わせる。合成されたビューの改良されたリアリズムは、ドメインギャップを実際のスキャンに狭め、より良い登録とセマンティックセグメンテーション性能に変換することを示す。
論文参考訳（メタデータ） (2023-05-02T17:55:38Z)
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)
Generative Range Imaging for Learning Scene Priors of 3D LiDAR Data [3.9447103367861542]
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。
論文参考訳（メタデータ） (2022-10-21T06:08:39Z)
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)
LiDARCap: Long-range Marker-less 3D Human Motion Capture with LiDAR Point Clouds [58.402752909624716]
既存のモーションキャプチャデータセットはほとんどが短距離であり、まだ長距離アプリケーションのニーズに合わない。我々は,この制限を克服するために,LiDARがより長い範囲で捉えた新しい人間のモーションキャプチャーデータセットLiDARHuman26Mを提案する。我々のデータセットには、IMUシステムによって取得された人間の動きと同期RGB画像も含まれている。
論文参考訳（メタデータ） (2022-03-28T12:52:45Z)

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。