論文の概要: REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining

• arxiv url: http://arxiv.org/abs/2504.21699v1
• Date: Wed, 30 Apr 2025 14:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 18:11:44.887794
• Title: REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining
• Title（参考訳）: REHEARSE-3D:3Dポイントクラウドデレイニングのためのマルチモーダルエミュレートレインデータセット
• Authors: Abu Mohammed Raisuddin, Jesper Holmblad, Hamed Haghighi, Yuri Poledna, Maikol Funk Drechsler, Valentina Donzella, Eren Erdal Aksoy,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5668912212306543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensor degradation poses a significant challenge in autonomous driving. During heavy rainfall, the interference from raindrops can adversely affect the quality of LiDAR point clouds, resulting in, for instance, inaccurate point measurements. This, in turn, can potentially lead to safety concerns if autonomous driving systems are not weather-aware, i.e., if they are unable to discern such changes. In this study, we release a new, large-scale, multi-modal emulated rain dataset, REHEARSE-3D, to promote research advancements in 3D point cloud de-raining. Distinct from the most relevant competitors, our dataset is unique in several respects. First, it is the largest point-wise annotated dataset, and second, it is the only one with high-resolution LiDAR data (LiDAR-256) enriched with 4D Radar point clouds logged in both daytime and nighttime conditions in a controlled weather environment. Furthermore, REHEARSE-3D involves rain-characteristic information, which is of significant value not only for sensor noise modeling but also for analyzing the impact of weather at a point level. Leveraging REHEARSE-3D, we benchmark raindrop detection and removal in fused LiDAR and 4D Radar point clouds. Our comprehensive study further evaluates the performance of various statistical and deep-learning models. Upon publication, the dataset and benchmark models will be made publicly available at: https://sporsho.github.io/REHEARSE3D.
• Abstract（参考訳）: センサーの劣化は自動運転において大きな課題となる。 豪雨の間、雨滴からの干渉はLiDAR点雲の品質に悪影響を及ぼし、例えば不正確な点測定をもたらす。 このことは、自律運転システムが天気に気付いていない場合、つまり、そのような変化を識別できない場合、安全上の懸念につながる可能性がある。 本研究では,3次元点雲デレイニングにおける研究の進展を促進するため,大規模マルチモーダル降雨データセットREHEARSE-3Dを新たにリリースする。 最も関連する競合とは違い、私たちのデータセットはいくつかの点でユニークです。 第一に、これは最大のポイントワイドアノテートデータセットであり、第二に、制御された天候環境下で、昼間と夜間の両方で4Dレーダ点雲が記録された高解像度LiDARデータ(LiDAR-256)を持つ唯一のデータセットである。 さらに、REHEARSE-3Dは、センサノイズモデリングだけでなく、点レベルでの気象の影響を分析する上でも重要な雨特性情報を含む。 REHEARSE-3Dを用いて, 融解したLiDARと4次元レーダー点雲の雨滴検出と除去をベンチマークした。 本研究は,様々な統計モデルと深層学習モデルの性能を総合的に評価する。 公開されると、データセットとベンチマークモデルは、https://sporsho.github.io/REHEARSE3Dで公開される。

関連論文リスト

• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions [4.133835011820212]
  LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。 現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
  論文  参考訳（メタデータ） (2025-01-13T08:44:35Z)
• 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)
• Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object Detection [26.278415287992964]
  従来の研究では、雨からの騒音をシミュレートし、検出モデルの堅牢性を改善することで、この問題に対処しようと試みてきた。 本研究では,動的・降雨環境理論を統一した新しい降雨シミュレーション手法DRETを提案する。 また,降雨条件下での3次元検出を強化するために,サニー・ツー・レイニー知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-02-28T17:21:02Z)
• Challenges of YOLO Series for Object Detection in Extremely Heavy Rain: CALRA Simulator based Synthetic Evaluation Dataset [0.0]
  様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。 これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。 本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2023-12-13T08:45:57Z)
• Ithaca365: Dataset and Driving Perception under Repeated and Challenging Weather Conditions [0.0]
  我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。 データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。 道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
  論文  参考訳（メタデータ） (2022-08-01T22:55:32Z)
• 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)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• 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)
• PC-DAN: Point Cloud based Deep Affinity Network for 3D Multi-Object Tracking (Accepted as an extended abstract in JRDB-ACT Workshop at CVPR21) [68.12101204123422]
  点雲は3次元座標における空間データの密集したコンパイルである。 我々は3次元多目的追跡(MOT)のためのPointNetベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-03T05:36:39Z)

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。