論文の概要: Efficient LiDAR Reflectance Compression via Scanning Serialization

• arxiv url: http://arxiv.org/abs/2505.09433v1
• Date: Wed, 14 May 2025 14:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.498298
• Title: Efficient LiDAR Reflectance Compression via Scanning Serialization
• Title（参考訳）: 走査シリアライゼーションによるLiDAR反射率の効率的な圧縮
• Authors: Jiahao Zhu, Kang You, Dandan Ding, Zhan Ma,
• Abstract要約: SerLiCは、リフレクタンス解析のためのシリアライズベースのニューラル圧縮フレームワークである。 元の反射率データに対して2倍以上の体積減少を達成する。 SerLiCの軽量バージョンは、たった111Kパラメータで10fps(毎秒10fps)を実現している。
• 参考スコア（独自算出の注目度）: 19.257711579886006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reflectance attributes in LiDAR point clouds provide essential information for downstream tasks but remain underexplored in neural compression methods. To address this, we introduce SerLiC, a serialization-based neural compression framework to fully exploit the intrinsic characteristics of LiDAR reflectance. SerLiC first transforms 3D LiDAR point clouds into 1D sequences via scan-order serialization, offering a device-centric perspective for reflectance analysis. Each point is then tokenized into a contextual representation comprising its sensor scanning index, radial distance, and prior reflectance, for effective dependencies exploration. For efficient sequential modeling, Mamba is incorporated with a dual parallelization scheme, enabling simultaneous autoregressive dependency capture and fast processing. Extensive experiments demonstrate that SerLiC attains over 2x volume reduction against the original reflectance data, outperforming the state-of-the-art method by up to 22% reduction of compressed bits while using only 2% of its parameters. Moreover, a lightweight version of SerLiC achieves > 10 fps (frames per second) with just 111K parameters, which is attractive for real-world applications.
• Abstract（参考訳）: LiDARポイントクラウドのリフレクタンス属性は、下流タスクに不可欠な情報を提供するが、ニューラル圧縮法では未探索のままである。 直列化に基づくニューラル圧縮フレームワークであるSerLiCを導入し,LiDAR反射率の固有特性をフル活用する。 SerLiCは、まず3D LiDAR点雲をスキャン順序シリアライゼーションによって1Dシーケンスに変換し、反射率分析のためのデバイス中心の視点を提供する。 それぞれの点を、そのセンサ走査指数、放射距離、および先行反射率からなる文脈表現にトークン化して、効果的な依存関係探索を行う。 効率的なシーケンシャルモデリングのために、Mambaはデュアル並列化方式を採用し、同時自動回帰依存性キャプチャと高速処理を可能にする。 拡張実験により、SerLiCは元の反射率データに対して2倍の体積削減を実現し、圧縮ビットを最大22%削減し、そのパラメータの2%しか使用していない。 さらに、SerLiCの軽量バージョンでは、111Kパラメータだけで10fps(毎秒10fps)を実現している。

関連論文リスト

• Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy [8.895838973148452]
  LiRaCoは、LiDARとレーダーセンサーの外部6DoFキャリブレーションのためのターゲットレスキャリブレーションアプローチである。 LiRaCoは、LiDAR点雲とRadarスキャンの間の空間占有一貫性を共通円筒表現で活用する。 外部キャリブレーションパラメータを含むコスト関数は、3次元格子とLiDAR点の空間的重なりに基づいて定式化する。
  論文  参考訳（メタデータ） (2025-03-21T10:09:04Z)
• LiDAR-RT: Gaussian-based Ray Tracing for Dynamic LiDAR Re-simulation [31.79143254487969]
  LiDAR-RTは、リアルタイムで物理的に正確なLiDARの再シミュレーションをサポートする新しいフレームワークである。 私たちの主な貢献は、効率的で効果的なレンダリングパイプラインの開発です。 我々のフレームワークは、フレキシブルなシーン編集操作と様々なセンサー構成でリアルなレンダリングをサポートしています。
  論文  参考訳（メタデータ） (2024-12-19T18:58:36Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Gait Recognition in Large-scale Free Environment via Single LiDAR [35.684257181154905]
  深度を捉えるLiDARの能力は、ロボットの知覚にとって重要な要素であり、現実世界の歩行認識の可能性を秘めている。 本稿では,頑健な歩行認識のための階層型多表現特徴相互作用ネットワーク(HMRNet)を提案する。 LiDARに基づく歩行認識研究を容易にするため,大規模かつ制約のない歩行データセットであるFreeGaitを紹介した。
  論文  参考訳（メタデータ） (2022-11-22T16:05:58Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)
• Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study [2.6205925938720833]
  最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。 LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。 メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
  論文  参考訳（メタデータ） (2020-04-06T11:08:12Z)

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。