論文の概要: Source-Only Cross-Weather LiDAR via Geometry-Aware Point Drop

• arxiv url: http://arxiv.org/abs/2511.01250v1
• Date: Mon, 03 Nov 2025 05:44:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.13114
• Title: Source-Only Cross-Weather LiDAR via Geometry-Aware Point Drop
• Title（参考訳）: 幾何対応点滴によるソースオンリークロスウェザーLiDAR
• Authors: YoungJae Cheong, Jhonghyun An,
• Abstract要約: LiDARセマンティックセグメンテーションは、屈折、散乱、点降下が幾何を損なうため、悪天候で劣化する。 本稿では,アジマスをアジマスに整列させ,隣接する連続性を維持するために円形のパディングを施した光幾何対応アダプタを提案する。 このアダプタは、データ中心の増分ベースラインでmIoUを7.9ポイント、クラス中心の正規化ベースラインで0.6ポイント改善する。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR semantic segmentation degrades in adverse weather because refraction, scattering, and point dropouts corrupt geometry. Prior work in weather simulation, mixing-based augmentation, domain randomization, and uncertainty or boundary regularization improves robustness but still overlooks structural vulnerabilities near boundaries, corners, and sparse regions. We present a Light Geometry-aware adapter. The module aligns azimuth and applies horizontal circular padding to preserve neighbor continuity across the 0~360 degree wrap-around boundary. A local-window K-Nearest Neighbors gathers nearby points and computes simple local statistics, which are compressed into compact geometry-aware cues. During training, these cues drive region-aware regularization that stabilizes predictions in structurally fragile areas. The adapter is plug and play, complements augmentation, and can be enabled only during training with negligible inference cost. We adopt a source-only cross-weather setup where models train on SemanticKITTI and are evaluated on SemanticSTF without target labels or fine-tuning. The adapter improves mIoU by 7.9 percentage points over the data-centric augmentation baseline and by 0.6 points over the class-centric regularization baseline. These results indicate that geometry-driven regularization is a key direction for all-weather LiDAR segmentation.
• Abstract（参考訳）: LiDARセマンティックセグメンテーションは、屈折、散乱、点降下が幾何を損なうため、悪天候で劣化する。 気象シミュレーション、混合ベースの拡張、ドメインのランダム化、不確実性や境界正則化は堅牢性を改善するが、境界、コーナー、スパース領域の近くで構造上の脆弱性を見落としている。 We present a Light Geometry-aware adapter。 モジュールは方位を整列し、水平の円形のパディングを適用して、0〜360度のラッピングアラウンド境界を横切る隣りの連続性を保っている。 局所窓K-Nearest Neighborsは近傍の点を集め、単純な局所統計を計算し、コンパクトな幾何学的手がかりに圧縮する。 トレーニング中、これらのキューは、構造的に脆弱な領域の予測を安定化するリージョン対応の正規化を駆動する。 アダプタはプラグアンドプレイであり、拡張を補完し、無視可能な推論コストでトレーニング中のみ有効にすることができる。 我々は、SemanticKITTIでモデルがトレーニングされ、ターゲットラベルや微調整なしでSemanticSTFで評価されるソースのみのクロスウェザー構成を採用する。 このアダプタは、データ中心の増分ベースラインでmIoUを7.9ポイント、クラス中心の正規化ベースラインで0.6ポイント改善する。 これらの結果は、全天候のLiDARセグメンテーションにおいて、幾何駆動の正則化が鍵となることを示唆している。

関連論文リスト

• Gaussian Primitive Optimized Deformable Retinal Image Registration [19.882820812725523]
  変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。 これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。 FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
  論文  参考訳（メタデータ） (2025-08-23T00:44:50Z)
• EmbodiedOcc++: Boosting Embodied 3D Occupancy Prediction with Plane Regularization and Uncertainty Sampler [43.277357306520145]
  本稿では,EmbodiedOcc++を紹介する。 Geometry-Guided Refinement Module (GRM) は、SUS(Semantic-Aware Uncertainty Sampler)とともに平面正規化によるガウス的更新を制約する EmbodiedOcc-ScanNetベンチマークの実験は、EmbodiedOccがさまざまな設定で最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-04-13T12:10:49Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• LiDAR-Camera Panoptic Segmentation via Geometry-Consistent and Semantic-Aware Alignment [63.83894701779067]
  我々は,最初のLiDAR-Camera Panoptic NetworkであるLCPSを提案する。 提案手法では,LiDAR-Camera融合を3段階に分けて行う。 我々の融合戦略は、NuScenesデータセット上のLiDARのみのベースラインに対して、約6.9%のPQ性能を改善する。
  論文  参考訳（メタデータ） (2023-08-03T10:57:58Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Optimal Target Shape for LiDAR Pose Estimation [1.9048510647598205]
  ターゲットは、乱雑な環境やテクスチャのない環境でのオブジェクト追跡のような問題に不可欠である。 対称形状は、スパースセンサーデータを使用する際に曖昧さを生じさせる。 本稿では,LiDAR点雲のポーズあいまいさを除去するためにターゲット形状を最適化するという概念を紹介する。
  論文  参考訳（メタデータ） (2021-09-02T19:18:24Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
  まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。 我々は、角予測タスクを回帰問題から分類問題に変換する。 得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
  論文  参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。