論文の概要: LiSu: A Dataset and Method for LiDAR Surface Normal Estimation
- arxiv url: http://arxiv.org/abs/2503.08601v1
- Date: Tue, 11 Mar 2025 16:35:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 15:42:28.720361
- Title: LiSu: A Dataset and Method for LiDAR Surface Normal Estimation
- Title（参考訳）: LiSu:LiDAR表面正規化のためのデータセットと方法
- Authors: Dušan Malić, Christian Fruhwirth-Reisinger, Samuel Schulter, Horst Possegger,
- Abstract要約: 地上の真理面の正規アノテーションを付加した,最初の大規模合成LiDAR点クラウドデータセットLiSuを提案する。
また、自律運転データの時間特性を利用して、表面正規推定精度を向上させる新しいアノテート手法を提案する。
我々は,LiDAR表面の正規化評価において,LiSuに対する手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 12.282805218676208
- License:
- Abstract: While surface normals are widely used to analyse 3D scene geometry, surface normal estimation from LiDAR point clouds remains severely underexplored. This is caused by the lack of large-scale annotated datasets on the one hand, and lack of methods that can robustly handle the sparse and often noisy LiDAR data in a reasonable time on the other hand. We address these limitations using a traffic simulation engine and present LiSu, the first large-scale, synthetic LiDAR point cloud dataset with ground truth surface normal annotations, eliminating the need for tedious manual labeling. Additionally, we propose a novel method that exploits the spatiotemporal characteristics of autonomous driving data to enhance surface normal estimation accuracy. By incorporating two regularization terms, we enforce spatial consistency among neighboring points and temporal smoothness across consecutive LiDAR frames. These regularizers are particularly effective in self-training settings, where they mitigate the impact of noisy pseudo-labels, enabling robust real-world deployment. We demonstrate the effectiveness of our method on LiSu, achieving state-of-the-art performance in LiDAR surface normal estimation. Moreover, we showcase its full potential in addressing the challenging task of synthetic-to-real domain adaptation, leading to improved neural surface reconstruction on real-world data.
- Abstract（参考訳）: 表面正規化は3次元シーンの形状解析に広く用いられているが、LiDAR点雲からの表面正規化は極めて過小評価されている。
これは、一方では大規模なアノテートデータセットの欠如と、疎外でしばしばノイズの多いLiDARデータを合理的に処理できるメソッドの欠如が原因である。
交通シミュレーションエンジンを用いてこれらの制限に対処し、地上の真面正規アノテーションを付加した最初の大規模合成LiDARポイントクラウドデータセットであるLiSuを提示し、面倒な手動ラベリングの必要性を排除した。
また,自動走行データの時空間特性を利用して表面正規推定精度を向上させる手法を提案する。
2つの正規化項を組み込むことで、隣接する点間の空間的一貫性と連続したLiDARフレーム間の時間的滑らかさを強制する。
これらのレギュレータは、ノイズの多い擬似ラベルの影響を緩和し、堅牢な現実世界のデプロイメントを可能にする、自己学習設定に特に有効である。
我々は,LiDAR表面の正規化評価において,LiSuに対する手法の有効性を実証する。
さらに,合成から現実へのドメイン適応という課題に対処する上で,その可能性を示す。
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) - RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。
本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。
提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
論文 参考訳（メタデータ） (2024-06-14T07:54:25Z) - PSS-BA: LiDAR Bundle Adjustment with Progressive Spatial Smoothing [27.060381833488172]
本稿では, プログレッシブ空間平滑化によるLiDARバンドル調整について述べる。
提案手法の有効性とロバスト性をシミュレーションと実世界のデータセットで検証した。
論文 参考訳（メタデータ） (2024-03-10T07:56:54Z) - 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) - NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental
LiDAR Odometry and Mapping [14.433784957457632]
ニューラルドメトリー,ニューラルマッピング,メッシュ再構成の3つのモジュールからなる新しいNeRF-LOAMを提案する。
提案手法は,LiDARデータを用いた大規模環境において,最先端のオドメトリーとマッピング性能を実現するとともに,強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-03-19T16:40:36Z) - 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) - Fast and Robust Ground Surface Estimation from LIDAR Measurements using
Uniform B-Splines [3.337790639927531]
自動走行車におけるLIDAR測定から地上面を高速かつ頑健に推定する手法を提案する。
本稿では,線形問題として再計算可能なLS最適化問題として推定過程をモデル化する。
実世界のシナリオにおける研究車両のアプローチを検証する。
論文 参考訳（メタデータ） (2022-03-02T15:26:51Z) - Real-time Multi-Adaptive-Resolution-Surfel 6D LiDAR Odometry using
Continuous-time Trajectory Optimization [33.67478846305404]
6次元LiDARオドメトリーのリアルタイム手法を提案する。
本手法は,連続時間b-スプライン軌道表現とガウス混合モデル(gmm)を組み合わせることで,局所多解像度サーフェル写像を協調的に整列する。
徹底した実験評価により,2つのデータセットと実ロボット実験におけるアプローチの性能を実証した。
論文 参考訳（メタデータ） (2021-05-05T12:14:39Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳（メタデータ） (2020-10-19T09:23:39Z) - 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)
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。