論文の概要: WeatherGen: A Unified Diverse Weather Generator for LiDAR Point Clouds via Spider Mamba Diffusion
- arxiv url: http://arxiv.org/abs/2504.13561v1
- Date: Fri, 18 Apr 2025 09:01:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 16:34:53.539245
- Title: WeatherGen: A Unified Diverse Weather Generator for LiDAR Point Clouds via Spider Mamba Diffusion
- Title（参考訳）: WeatherGen:スパイダーマンバ拡散によるLiDAR点雲のための統一された逆風発生装置
- Authors: Yang Wu, Yun Zhu, Kaihua Zhang, Jianjun Qian, Jin Xie, Jian Yang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 39.36578688743474
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D scene perception demands a large amount of adverse-weather LiDAR data, yet the cost of LiDAR data collection presents a significant scaling-up challenge. To this end, a series of LiDAR simulators have been proposed. Yet, they can only simulate a single adverse weather with a single physical model, and the fidelity of the generated data is quite limited. This paper presents WeatherGen, the first unified diverse-weather LiDAR data diffusion generation framework, significantly improving fidelity. Specifically, we first design a map-based data producer, which can provide a vast amount of high-quality diverse-weather data for training purposes. Then, we utilize the diffusion-denoising paradigm to construct a diffusion model. Among them, we propose a spider mamba generator to restore the disturbed diverse weather data gradually. The spider mamba models the feature interactions by scanning the LiDAR beam circle or central ray, excellently maintaining the physical structure of the LiDAR data. Subsequently, following the generator to transfer real-world knowledge, we design a latent feature aligner. Afterward, we devise a contrastive learning-based controller, which equips weather control signals with compact semantic knowledge through language supervision, guiding the diffusion model to generate more discriminative data. Extensive evaluations demonstrate the high generation quality of WeatherGen. Through WeatherGen, we construct the mini-weather dataset, promoting the performance of the downstream task under adverse weather conditions. Code is available: https://github.com/wuyang98/weathergen
- Abstract（参考訳）: 3Dシーンの知覚は、大量の悪天候のLiDARデータを要求するが、LiDARデータ収集のコストは、大きなスケールアップ課題を示す。
この目的のために、一連のLiDARシミュレータが提案されている。
しかし、1つの物理的モデルで1つの悪天候をシミュレートすることはできず、生成されたデータの忠実度は極めて限られている。
本稿では,最初の統一型多言語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。
具体的には、まず地図ベースのデータプロデューサを設計し、トレーニング目的に大量の高品質な多元データを提供する。
そこで,拡散デノベーションパラダイムを用いて拡散モデルを構築する。
そこで本研究では,乱れた多様な気象データを徐々に復元するクモのマンバ発生装置を提案する。
クモのマンバは、LiDARビーム円または中心線を走査して特徴相互作用をモデル化し、LiDARデータの物理的構造を良好に維持する。
その後、実世界の知識を伝達するジェネレータに従って、潜在機能整合器を設計する。
その後,気象制御信号に言語指導を通じてコンパクトな意味知識を付与し,より識別性の高いデータを生成するための拡散モデルを導出するコントラスト学習ベースコントローラを考案した。
広範囲な評価は、WeatherGenの高世代品質を示す。
そこでWeatherGenを通したミニウェザー・データセットを構築し,悪天候下での下流タスクの性能向上を図る。
コードは:https://github.com/wuyang98/weathergen
関連論文リスト
- 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) - TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [6.752848431431841]
雨、霧、雪などの実際の悪天候は、大きな騒音と干渉をもたらす。
既存のデータセットは、限られた天候の多様性と小さなデータセットサイズに悩まされることが多い。
3つのミキサー層からなる新しいポイントクラウドデノナイズモデルTripleMixerを提案する。
論文 参考訳（メタデータ） (2024-08-25T10:45:52Z) - 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) - Realistic Rainy Weather Simulation for LiDARs in CARLA Simulator [17.605152926277707]
本稿では,降雨時のLiDARデータを拡張するためのシミュレータに基づく物理モデリング手法を提案する。
CARLAシミュレータにおける雨天候のモデリングタスクを完了し、LiDARデータ収集のためのパイプラインを確立する。
実験では、合成データにより強化されたモデルにより、物体検出タスクの性能が向上することが観察された。
論文 参考訳（メタデータ） (2023-12-20T05:16:04Z) - UltraLiDAR: Learning Compact Representations for LiDAR Completion and
Generation [51.443788294845845]
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。
論文 参考訳（メタデータ） (2023-11-02T17:57:03Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - WOMD-LiDAR: Raw Sensor Dataset Benchmark for Motion Forecasting [38.95768804529958]
動作予測タスクのための大規模で高品質な多種多様なLiDARデータを用いて,Open Motionデータセットを拡張した。
新しいデータセットWOMD-LiDARは10万枚以上のシーンで構成され、それぞれ20秒にまたがる。
実験の結果,LiDARデータは動き予測タスクの改善をもたらすことがわかった。
論文 参考訳（メタデータ） (2023-04-07T20:23:15Z) - 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)
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。