論文の概要: Guided Model-based LiDAR Super-Resolution for Resource-Efficient Automotive scene Segmentation

• arxiv url: http://arxiv.org/abs/2509.01317v1
• Date: Mon, 01 Sep 2025 10:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.631761
• Title: Guided Model-based LiDAR Super-Resolution for Resource-Efficient Automotive scene Segmentation
• Title（参考訳）: 資源効率の良い自動車シーンセグメンテーションのための誘導モデルに基づくLiDAR超解法
• Authors: Alexandros Gkillas, Nikos Piperigkos, Aris S. Lalos,
• Abstract要約: 高分解能LiDARデータは、自律運転のための3Dセマンティックセグメンテーションにおいて重要な役割を果たす。 対照的に、16チャンネルのLiDARのような低コストのセンサーは、セグメンテーション精度を低下させるスパース点雲を生成する。 我々は,LiDARスーパーレゾリューション(SR)とセマンティックセグメンテーションを共同で扱う最初のエンドツーエンドフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 45.90080021000846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution LiDAR data plays a critical role in 3D semantic segmentation for autonomous driving, but the high cost of advanced sensors limits large-scale deployment. In contrast, low-cost sensors such as 16-channel LiDAR produce sparse point clouds that degrade segmentation accuracy. To overcome this, we introduce the first end-to-end framework that jointly addresses LiDAR super-resolution (SR) and semantic segmentation. The framework employs joint optimization during training, allowing the SR module to incorporate semantic cues and preserve fine details, particularly for smaller object classes. A new SR loss function further directs the network to focus on regions of interest. The proposed lightweight, model-based SR architecture uses significantly fewer parameters than existing LiDAR SR approaches, while remaining easily compatible with segmentation networks. Experiments show that our method achieves segmentation performance comparable to models operating on high-resolution and costly 64-channel LiDAR data.
• Abstract（参考訳）: 高解像度のLiDARデータは、自動運転のための3Dセマンティックセマンティックセグメンテーションにおいて重要な役割を果たすが、高コストの先進センサーは大規模展開を制限している。 対照的に、16チャンネルのLiDARのような低コストのセンサーは、セグメンテーション精度を低下させるスパース点雲を生成する。 そこで本研究では,LiDARスーパーレゾリューション(SR)とセマンティックセグメンテーションを共同で扱う最初のエンドツーエンドフレームワークを提案する。 このフレームワークは、トレーニング中に共同最適化を採用しており、SRモジュールはセマンティックキューを組み込んで、特に小さなオブジェクトクラスのために細部を保存できる。 新しいSR損失関数により、ネットワークはさらに関心のある領域に集中するよう指示する。 提案した軽量モデルベースSRアーキテクチャは、既存のLiDAR SRアプローチよりもパラメータが大幅に少ないが、セグメンテーションネットワークと容易に互換性がある。 実験により,高解像度で64チャンネルのLiDARデータで動作するモデルに匹敵するセグメンテーション性能が得られた。

関連論文リスト

• Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans [1.6093159644587223]
  本研究では,現代の高分解能LiDARセンサに適したセマンティックセグメンテーションフレームワークを提案する。 都市交通シーンにおいて,最先端の自動車用128層LiDARによって収集された新しいLiDARデータセットを提案する。 我々のアプローチは最先端の研究と実用的な自動車応用のギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-04-30T13:00:50Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
  現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。 これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。 我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
  論文  参考訳（メタデータ） (2024-02-23T14:15:58Z)
• 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)
• EfficientLPS: Efficient LiDAR Panoptic Segmentation [30.249379810530165]
  我々は、LiDARポイントクラウドのセグメント化における複数の課題に対処する新しい効率的なLiDARパンオプティクスアーキテクチャを紹介します。 効率的なLPSは、拡張された幾何変換モデリング能力で符号化される新しい共有バックボーンからなる。 提案したモデルを2つの大規模LiDARデータセットでベンチマークする。
  論文  参考訳（メタデータ） (2021-02-16T08:14:52Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。