論文の概要: Rethinking Range-View LiDAR Segmentation in Adverse Weather

• arxiv url: http://arxiv.org/abs/2506.08979v1
• Date: Tue, 10 Jun 2025 16:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.881935
• Title: Rethinking Range-View LiDAR Segmentation in Adverse Weather
• Title（参考訳）: 逆気象における距離ビューLiDARセグメンテーションの再考
• Authors: Longyu Yang, Ping Hu, Lu Zhang, Jun Liu, Yap-Peng Tan, Heng Tao Shen, Xiaofeng Zhu,
• Abstract要約: 我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
• 参考スコア（独自算出の注目度）: 65.22588361803942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR segmentation has emerged as an important task to enrich multimedia experiences and analysis. Range-view-based methods have gained popularity due to their high computational efficiency and compatibility with real-time deployment. However, their generalized performance under adverse weather conditions remains underexplored, limiting their reliability in real-world environments. In this work, we identify and analyze the unique challenges that affect the generalization of range-view LiDAR segmentation in severe weather. To address these challenges, we propose a modular and lightweight framework that enhances robustness without altering the core architecture of existing models. Our method reformulates the initial stem block of standard range-view networks into two branches to process geometric attributes and reflectance intensity separately. Specifically, a Geometric Abnormality Suppression (GAS) module reduces the influence of weather-induced spatial noise, and a Reflectance Distortion Calibration (RDC) module corrects reflectance distortions through memory-guided adaptive instance normalization. The processed features are then fused and passed to the original segmentation pipeline. Extensive experiments on different benchmarks and baseline models demonstrate that our approach significantly improves generalization to adverse weather with minimal inference overhead, offering a practical and effective solution for real-world LiDAR segmentation.
• Abstract（参考訳）: LiDARセグメンテーションはマルチメディア体験と分析を充実させる重要なタスクとして登場した。 レンジビューベースの手法は、高い計算効率とリアルタイムデプロイメントとの互換性のために人気を博している。 しかし、悪天候下での一般的な性能は未調査のままであり、実際の環境における信頼性を制限している。 本研究では,厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼすユニークな課題を特定し,解析する。 これらの課題に対処するため、既存のモデルのコアアーキテクチャを変更することなくロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 本手法は, 標準視線網の初期幹ブロックを2分岐に再構成し, 形状特性と反射強度を別々に処理する。 具体的には、GASモジュールは気象による空間ノイズの影響を低減し、RDCモジュールは、メモリ誘導適応インスタンス正規化による反射歪みを補正する。 処理された機能は融合され、元のセグメンテーションパイプラインに渡される。 異なるベンチマークおよびベースラインモデルに対する大規模な実験により、我々のアプローチは予測オーバーヘッドを最小限に抑えて悪天候への一般化を著しく改善し、現実のLiDARセグメンテーションに実用的で効果的なソリューションを提供することを示した。

関連論文リスト

• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  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。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• AuxDet: Auxiliary Metadata Matters for Omni-Domain Infrared Small Target Detection [58.67129770371016]
  シーン認識最適化のためのテキストメタデータを組み込むことにより、IRSTDパラダイムを再定義する新しいIRSTDフレームワークを提案する。 AuxDetは最先端の手法を一貫して上回り、堅牢性と正確性を改善する上で補助情報の重要な役割を検証している。
  論文  参考訳（メタデータ） (2025-05-21T07:02:05Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Reflectivity Is All You Need!: Advancing LiDAR Semantic Segmentation [11.684330305297523]
  本稿では,LiDARセマンティックセマンティックセグメンテーションフレームワークにおける校正強度(リフレクティビティとも呼ばれる)の利点について検討する。 オフロードシナリオでは,反射率による強度の置き換えにより,Unionよりも平均的なインターセクションが4%向上することを示す。 都市環境におけるセマンティックセグメンテーションにおけるキャリブレーション強度の利用の可能性を示す。
  論文  参考訳（メタデータ） (2024-03-19T22:57:03Z)
• Algorithmic Hallucinations of Near-Surface Winds: Statistical Downscaling with Generative Adversarial Networks to Convection-Permitting Scales [0.0]
  我々は、畳み込みニューラルネットワークに基づくジェネレーティブ・アドバイサル・ネットワーク(GAN)に焦点を当てる。 気象調査と予測モデルシミュレーションを模擬した高分解能(HR)表面風を生成するために,我々は低分解能(LR)入力にGANを条件付けている。 本研究は、コンピュータビジョン分野からの新しい周波数分離(FS)アプローチを実験することにより、現在のSRに基づく統計的ダウンスケーリングに基づいている。
  論文  参考訳（メタデータ） (2023-02-17T06:29:12Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)

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。