論文の概要: RadarGaussianDet3D: An Efficient and Effective Gaussian-based 3D Detector with 4D Automotive Radars

• arxiv url: http://arxiv.org/abs/2509.16119v1
• Date: Fri, 19 Sep 2025 16:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.241114
• Title: RadarGaussianDet3D: An Efficient and Effective Gaussian-based 3D Detector with 4D Automotive Radars
• Title（参考訳）: RadarGaussianDet3D: 4次元自動車レーダを用いた効率的なガウス型3次元検出器
• Authors: Weiyi Xiong, Bing Zhu, Tao Huang, Zewei Zheng,
• Abstract要約: 4Dオートマチックレーダーは、低コスト、ロバスト性、および固有の速度測定能力のために、自動運転の注目を集めている。 既存の4Dレーダーベースの3D検出器は、BEV特徴抽出のための柱エンコーダに大きく依存しており、各点が1つのBEVグリッドにのみ寄与する。 本稿では,効率的なガウス型3D検出器であるRadarGaussianDet3Dを提案する。 TJ4DRadSetとView-of-Delftの実験により、RadarGaussianDet3Dは、届けながら最先端検出精度を達成できることが示された。
• 参考スコア（独自算出の注目度）: 7.212370688384851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 4D automotive radars have gained increasing attention for autonomous driving due to their low cost, robustness, and inherent velocity measurement capability. However, existing 4D radar-based 3D detectors rely heavily on pillar encoders for BEV feature extraction, where each point contributes to only a single BEV grid, resulting in sparse feature maps and degraded representation quality. In addition, they also optimize bounding box attributes independently, leading to sub-optimal detection accuracy. Moreover, their inference speed, while sufficient for high-end GPUs, may fail to meet the real-time requirement on vehicle-mounted embedded devices. To overcome these limitations, an efficient and effective Gaussian-based 3D detector, namely RadarGaussianDet3D is introduced, leveraging Gaussian primitives and distributions as intermediate representations for radar points and bounding boxes. In RadarGaussianDet3D, a novel Point Gaussian Encoder (PGE) is designed to transform each point into a Gaussian primitive after feature aggregation and employs the 3D Gaussian Splatting (3DGS) technique for BEV rasterization, yielding denser feature maps. PGE exhibits exceptionally low latency, owing to the optimized algorithm for point feature aggregation and fast rendering of 3DGS. In addition, a new Box Gaussian Loss (BGL) is proposed, which converts bounding boxes into 3D Gaussian distributions and measures their distance to enable more comprehensive and consistent optimization. Extensive experiments on TJ4DRadSet and View-of-Delft demonstrate that RadarGaussianDet3D achieves state-of-the-art detection accuracy while delivering substantially faster inference, highlighting its potential for real-time deployment in autonomous driving.
• Abstract（参考訳）: 4Dオートマチックレーダーは、低コスト、ロバスト性、および固有の速度測定能力のために、自動運転の注目を集めている。 しかし、既存の4Dレーダベースの3D検出器は、BEV特徴抽出のための柱エンコーダに大きく依存しており、各点が1つのBEVグリッドにのみ寄与する。 さらに、バウンディングボックス属性を独立して最適化することで、サブ最適検出精度が向上する。 さらに、彼らの推論速度は、ハイエンドGPUには十分ではないが、車載組み込みデバイスにおけるリアルタイム要件を満たすことができない可能性がある。 これらの制限を克服するために、効率よく効果的なガウス式3D検出器、すなわちRadarGaussianDet3Dを導入し、ガウス式のプリミティブと分布をレーダポイントとバウンダリングボックスの中間表現として利用した。 RadarGaussianDet3Dでは、PGE(Point Gaussian Encoder)が特徴集約後に各点をガウスプリミティブに変換し、BEVラスタ化のための3Dガウススティング(3DGS)技術を用いてより高密度の特徴マップを生成するように設計されている。 PGEは、ポイント特徴集約と3DGSの高速レンダリングのために最適化されたアルゴリズムのため、非常に低レイテンシを示す。 さらに、境界ボックスを3次元ガウス分布に変換し、それらの距離を測定し、より包括的で一貫した最適化を可能にするBox Gaussian Loss (BGL) が提案されている。 TJ4DRadSetとView-of-Delftに関する大規模な実験は、RadarGaussianDet3Dが最先端の検出精度を実現し、はるかに高速な推論を実現し、自動運転におけるリアルタイムデプロイメントの可能性を強調していることを示している。

関連論文リスト

• LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation [56.4321049923868]
  3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。 ガウス表現をオブジェクトラベルで拡張する手法であるラベル対応3Dガウス分割法(LabelGS)を提案する。 LabelGSはFeature-3DGSと比較して、1440X1080の解像度でトレーニングで22倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2025-08-27T09:07:38Z)
• 3DGabSplat: 3D Gabor Splatting for Frequency-adaptive Radiance Field Rendering [50.04967868036964]
  3D Gaussian Splatting(3DGS)は、高忠実なノベルビュー合成を維持しながらリアルタイムレンダリングを実現している。 複数方向の3次元周波数応答を持つ新規な3次元ガボルベースプリミティブを組み込んだ3次元ガボルスプレート(3DGabSplat)を提案する。 我々は3D以上の1.35dBRゲインを実現し、同時にプリミティブメモリ消費量を削減した。
  論文  参考訳（メタデータ） (2025-08-07T12:49:44Z)
• RaGS: Unleashing 3D Gaussian Splatting from 4D Radar and Monocular Cues for 3D Object Detection [13.02381448154211]
  4Dミリ波レーダーは、自動運転のための有望なセンサーとして登場した。 4Dレーダーとモノクル画像の両方から有効な3Dオブジェクトを検出することは、依然として課題である。 3次元物体検出における4次元レーダとモノクルキューの融合表現として、3次元ガウススプラッティング(GS)を利用する最初のフレームワークであるRaGSを提案する。
  論文  参考訳（メタデータ） (2025-07-26T08:17:12Z)
• 3DGEER: Exact and Efficient Volumetric Rendering with 3D Gaussians [15.776720879897345]
  本稿では3DGEER(Exact and Efficient Volumetric Gaussian Rendering method)を紹介する。 提案手法は従来手法を一貫して上回り, リアルタイムなニューラルレンダリングにおける新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2025-05-29T22:52:51Z)
• GaussianFormer3D: Multi-Modal Gaussian-based Semantic Occupancy Prediction with 3D Deformable Attention [15.890744831541452]
  3Dセマンティック占有予測は、安全で信頼性の高い自動運転を実現するために重要である。 本稿では,3次元変形可能な注意力を利用したマルチモーダルガウスに基づくセマンティック占有予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T20:05:08Z)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• RadarPillars: Efficient Object Detection from 4D Radar Point Clouds [42.9356088038035]
  本稿では,柱型物体検出ネットワークRadarPillarsを提案する。 放射速度データを分解することにより、RadarPillarsは、View-of-Delftデータセットの最先端検出結果を大幅に上回る。 これはパラメータ数を大幅に削減し、既存のメソッドを効率面で上回り、エッジデバイス上でのリアルタイムパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-09T12:13:38Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)

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。