論文の概要: MSDNet: Efficient 4D Radar Super-Resolution via Multi-Stage Distillation

• arxiv url: http://arxiv.org/abs/2509.13149v1
• Date: Tue, 16 Sep 2025 15:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.138734
• Title: MSDNet: Efficient 4D Radar Super-Resolution via Multi-Stage Distillation
• Title（参考訳）: MSDNet: マルチステージ蒸留による高効率4次元レーダー超解像
• Authors: Minqing Huang, Shouyi Lu, Boyuan Zheng, Ziyao Li, Xiao Tang, Guirong Zhuo,
• Abstract要約: 4Dレーダーポイントクラウドの超高解像度化は、自律的な認識における問題である。 既存の方法は、しばしば高い訓練コストに悩まされるか、複雑な拡散に基づくサンプリングに依存している。 本研究では,高密度LiDARを4次元レーダに効率よく転送する多段蒸留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）: 10.503691906163793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 4D radar super-resolution, which aims to reconstruct sparse and noisy point clouds into dense and geometrically consistent representations, is a foundational problem in autonomous perception. However, existing methods often suffer from high training cost or rely on complex diffusion-based sampling, resulting in high inference latency and poor generalization, making it difficult to balance accuracy and efficiency. To address these limitations, we propose MSDNet, a multi-stage distillation framework that efficiently transfers dense LiDAR priors to 4D radar features to achieve both high reconstruction quality and computational efficiency. The first stage performs reconstruction-guided feature distillation, aligning and densifying the student's features through feature reconstruction. In the second stage, we propose diffusion-guided feature distillation, which treats the stage-one distilled features as a noisy version of the teacher's representations and refines them via a lightweight diffusion network. Furthermore, we introduce a noise adapter that adaptively aligns the noise level of the feature with a predefined diffusion timestep, enabling a more precise denoising. Extensive experiments on the VoD and in-house datasets demonstrate that MSDNet achieves both high-fidelity reconstruction and low-latency inference in the task of 4D radar point cloud super-resolution, and consistently improves performance on downstream tasks. The code will be publicly available upon publication.
• Abstract（参考訳）: 4Dレーダ超解像は、疎小でノイズの多い点雲を密度と幾何的に一貫した表現に再構成することを目的としており、自律認識における基礎的な問題である。 しかし、既存の手法は、しばしば高いトレーニングコストや複雑な拡散に基づくサンプリングに悩まされるため、推論遅延が高く、一般化が不十分であり、精度と効率のバランスをとるのが困難である。 これらの制約に対処するため,高再構成品質と計算効率の両方を達成するために,高密度LiDARを4次元レーダ特徴に効率的に転送する多段蒸留フレームワークであるMSDNetを提案する。 第1段階では、再構成誘導された特徴蒸留を行い、特徴再構成を通じて生徒の特徴を整列し、密度化する。 第2段階では, 拡散誘導型特徴蒸留法を提案し, 第一段蒸留法を教師の表現のうるさいバージョンとして扱い, 軽量拡散ネットワークを介して精製する。 さらに,その特徴の雑音レベルを予め定義された拡散時間ステップに適応的に調整し,より正確な雑音化を可能にするノイズアダプタを導入する。 VoDと社内データセットの大規模な実験により、MSDNetは4Dレーダポイントクラウド超解像タスクにおいて高忠実度再構成と低レイテンシ推論の両方を実現し、下流タスクのパフォーマンスを継続的に改善することを示した。 コードは公開時に公開される。

関連論文リスト

• CORENet: Cross-Modal 4D Radar Denoising Network with LiDAR Supervision for Autonomous Driving [6.251434533663502]
  4Dレーダーによる物体検出は、悪天候下での頑丈さに大きな注目を集めている。 4次元レーダーポイント雲のスパースでノイズの多い性質は、効果的な知覚に重大な課題をもたらす。 我々は、LiDAR監視を利用してノイズパターンを識別する新しいクロスモーダル・デノナイズ・フレームワークであるCORENetを提案する。
  論文  参考訳（メタデータ） (2025-08-19T03:30:21Z)
• R2LDM: An Efficient 4D Radar Super-Resolution Framework Leveraging Diffusion Model [7.576799123793451]
  R2LDMは高密度かつ高精度な4次元レーダーポイント雲を生成する革新的な手法である。 レンジ画像や鳥の目視(BEV)画像を利用する代わりに、ボクセル特徴を用いてLiDARと4Dレーダポイントの雲を表現します。 R2LDMは、ペアの生レーダーデータからLiDARのような点雲を効果的に生成する。
  論文  参考訳（メタデータ） (2025-03-21T12:30:33Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Enhanced 3D Object Detection via Diverse Feature Representations of 4D Radar Tensor [5.038148262901536]
  Raw 4D Radar (4DRT) は従来の点雲よりも豊かな空間情報とドップラー情報を提供する。 効率を保ちつつ、4DRTの有用性を最大化する新しい3Dオブジェクト検出フレームワークを提案する。 本稿では, RTNHモデルよりもAP_3Dが7.3%, AP_BEVが9.5%向上したことを示す。
  論文  参考訳（メタデータ） (2025-02-10T02:48:56Z)
• SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection [16.127926058992237]
  本研究では,4次元レーダを用いた3次元物体検出のためのSCKD法を提案する。 セミ教師付き蒸留によるLidar-Radar融合教師ネットワークから特徴を学習する能力を特徴付ける。 同じネットワーク構造で、SCKDで訓練されたレーダーのみの学生は、ベースライン上でmAPを10.38%向上させる。
  論文  参考訳（メタデータ） (2024-12-19T06:42:25Z)
• Digging into contrastive learning for robust depth estimation with diffusion models [55.62276027922499]
  そこで我々はD4RDと呼ばれる新しい頑健な深度推定法を提案する。 複雑な環境での性能劣化を軽減するために、拡散モデルに適した独自のコントラスト学習モードを備えている。 実験では、D4RDは合成汚職データセットや現実世界の気象条件に関する最先端のソリューションを超越している。
  論文  参考訳（メタデータ） (2024-04-15T14:29:47Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• 4DRVO-Net: Deep 4D Radar-Visual Odometry Using Multi-Modal and Multi-Scale Adaptive Fusion [2.911052912709637]
  4次元(4D)レーダー-視覚計測(4DRVO)は4次元レーダーとカメラの補完情報を統合している。 4DRVOは4Dレーダーポイント雲の空隙による追跡誤差が顕著である可能性がある。 本稿では,4次元レーダ・ビジュアル・オドメトリーの手法である4DRVO-Netを提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:00:09Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。