論文の概要: Leveraging Sparse LiDAR for RAFT-Stereo: A Depth Pre-Fill Perspective

• arxiv url: http://arxiv.org/abs/2507.19738v1
• Date: Sat, 26 Jul 2025 02:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.085762
• Title: Leveraging Sparse LiDAR for RAFT-Stereo: A Depth Pre-Fill Perspective
• Title（参考訳）: RAFT-StereoにおけるスパースLiDARの活用
• Authors: Jinsu Yoo, Sooyoung Jeon, Zanming Huang, Tai-Yu Pan, Wei-Lun Chao,
• Abstract要約: RAFT-StereoフレームワークにおけるLiDAR誘導について検討する。 我々は,初期差分マップに正確なLiDAR深度を注入することにより,ステレオマッチングの精度を向上させることを目指している。 その結果,LiDAR の誘導の有効性は,LiDAR のポイントが疎くなると著しく低下することがわかった。
• 参考スコア（独自算出の注目度）: 23.15129268391347
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We investigate LiDAR guidance within the RAFT-Stereo framework, aiming to improve stereo matching accuracy by injecting precise LiDAR depth into the initial disparity map. We find that the effectiveness of LiDAR guidance drastically degrades when the LiDAR points become sparse (e.g., a few hundred points per frame), and we offer a novel explanation from a signal processing perspective. This insight leads to a surprisingly simple solution that enables LiDAR-guided RAFT-Stereo to thrive: pre-filling the sparse initial disparity map with interpolation. Interestingly, we find that pre-filling is also effective when injecting LiDAR depth into image features via early fusion, but for a fundamentally different reason, necessitating a distinct pre-filling approach. By combining both solutions, the proposed Guided RAFT-Stereo (GRAFT-Stereo) significantly outperforms existing LiDAR-guided methods under sparse LiDAR conditions across various datasets. We hope this study inspires more effective LiDAR-guided stereo methods.
• Abstract（参考訳）: RAFT-Stereo フレームワークにおける LiDAR 誘導について検討し,初期差分マップに正確な LiDAR 深度を注入することにより,ステレオマッチングの精度を向上させることを目的とした。 LiDAR誘導の有効性は、LiDARポイントがスパース(例えば、1フレームあたり数百ポイント)になると大幅に低下し、信号処理の観点から新しい説明を提供する。 この洞察は、LiDAR誘導RAFT-Stereoの繁栄を可能にする驚くほど単純な解をもたらす。 興味深いことに、初期核融合によりLiDAR深度を画像特徴に注入する場合にもプリフィルは有効であるが、根本的に異なる理由から、個別のプリフィルアプローチが必要である。 両ソリューションを組み合わせることで、提案したガイドRAFT-Stereo (GRAFT-Stereo) は、様々なデータセットにわたる疎LiDAR条件下での既存のLiDAR誘導手法よりも大幅に優れている。 この研究により、LiDAR誘導ステレオ法がより効果的になることを期待する。

関連論文リスト

• 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)
• 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)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• 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)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Learning Moving-Object Tracking with FMCW LiDAR [53.05551269151209]
  新たに開発したLiDARセンサである周波数変調連続波(FMCW)を用いた学習型移動物体追跡手法を提案する。 ラベルが与えられた場合,同じインスタンスから機能を埋め込みスペースにまとめて,異なるインスタンスから機能を分離してトラッキング品質を向上させる,対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:11:36Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• Advancing Self-supervised Monocular Depth Learning with Sparse LiDAR [22.202192422883122]
  本稿では,自己教師付き単分子深度学習を推進するための2段階ネットワークを提案する。 本モデルでは,単色画像特徴と疎LiDAR特徴を融合させて初期深度マップを推定する。 我々のモデルは、下流タスクのモノクロ3Dオブジェクト検出において、最先端のスパース-LiDAR法(Pseudo-LiDAR++)を68%以上向上させる。
  論文  参考訳（メタデータ） (2021-09-20T15:28:36Z)

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。