論文の概要: Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather

• arxiv url: http://arxiv.org/abs/2506.02396v1
• Date: Tue, 03 Jun 2025 03:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.211558
• Title: Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather
• Title（参考訳）: 逆気象における一般LiDARセグメンテーションのための厳密な幾何-反射協調に向けて
• Authors: Longyu Yang, Ping Hu, Shangbo Yuan, Lu Zhang, Jun Liu, Hengtao Shen, Xiaofeng Zhu,
• Abstract要約: 既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 58.4718010073085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing LiDAR semantic segmentation models often suffer from decreased accuracy when exposed to adverse weather conditions. Recent methods addressing this issue focus on enhancing training data through weather simulation or universal augmentation techniques. However, few works have studied the negative impacts caused by the heterogeneous domain shifts in the geometric structure and reflectance intensity of point clouds. In this paper, we delve into this challenge and address it with a novel Geometry-Reflectance Collaboration (GRC) framework that explicitly separates feature extraction for geometry and reflectance. Specifically, GRC employs a dual-branch architecture designed to independently process geometric and reflectance features initially, thereby capitalizing on their distinct characteristic. Then, GRC adopts a robust multi-level feature collaboration module to suppress redundant and unreliable information from both branches. Consequently, without complex simulation or augmentation, our method effectively extracts intrinsic information about the scene while suppressing interference, thus achieving better robustness and generalization in adverse weather conditions. We demonstrate the effectiveness of GRC through comprehensive experiments on challenging benchmarks, showing that our method outperforms previous approaches and establishes new state-of-the-art results.
• Abstract（参考訳）: 既存のLiDARセマンティックセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 しかし、幾何学的構造と点雲の反射強度の不均一領域シフトによる負の影響を研究する研究はほとんどない。 本稿では,この課題を探求し,幾何と反射の特徴抽出を明示的に分離した新しい幾何-反射協調(GRC)フレームワークで解決する。 特に、GRCは、幾何学的特徴と反射的特徴を独立に処理するために設計されたデュアルブランチアーキテクチャを採用しており、それによってそれぞれの特徴を生かしている。 そして、GRCは堅牢なマルチレベル機能コラボレーションモジュールを採用し、両方のブランチから冗長で信頼性の低い情報を抑圧する。 その結果,複雑なシミュレーションや拡張を伴わずに,干渉を抑えながらシーンの固有情報を効果的に抽出し,悪天候条件下での堅牢性や一般化を実現した。 本稿では,提案手法が従来の手法より優れていることを示すとともに,新たな最先端結果を確立することを目的とした総合的なベンチマーク実験を通じて,GRCの有効性を実証する。

関連論文リスト

• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Rethinking Data Augmentation for Robust LiDAR Semantic Segmentation in Adverse Weather [21.040167521248772]
  既存のLiDARセマンティックセグメンテーション手法は、悪天候下での性能低下に苦慮することが多い。 これまでの研究は、悪天候をシミュレートしたり、トレーニング中に普遍的なデータ拡張を採用することでこの問題に対処してきた。 本稿では,性能劣化の主な原因を特定するために,新たな戦略データ拡張手法を提案する。 提案手法はセマンティックKITTI-to-SemanticSTFベンチマークで39.5 mIoUを達成し,ベースラインを8.1%改善し,新たな最先端技術を確立した。
  論文  参考訳（メタデータ） (2024-07-02T14:19:51Z)
• Exploiting Spatial-Temporal Context for Interacting Hand Reconstruction on Monocular RGB Video [104.69686024776396]
  モノラルなRGBデータからインタラクションハンドを再構築することは、多くの干渉要因が伴うため、難しい作業である。 これまでの作業は、物理的に妥当な関係をモデル化することなく、単一のRGBイメージからの情報のみを活用する。 本研究は, 空間的時間的情報を明示的に活用し, より優れた対話的手指再建を実現することを目的としている。
  論文  参考訳（メタデータ） (2023-08-08T06:16:37Z)
• PEARL: Preprocessing Enhanced Adversarial Robust Learning of Image Deraining for Semantic Segmentation [42.911517493220664]
  本稿では,異なる種類の分解因子を同時に扱うことにより,意味的セグメンテーションタスクの堅牢性を向上させるための最初の試みを示す。 本手法は,画像デラインモデルにセグメンテーションモデルのロバスト性を移すことにより,雨害と逆流の両面を効果的に処理する。 PEARLフレームワークのトレーニングに先立って,補助鏡攻撃(AMA)を設計し,肯定的な情報を導入する。
  論文  参考訳（メタデータ） (2023-05-25T04:44:17Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)

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。