Fugu-MT 論文翻訳(概要): LaneDiffusion: Improving Centerline Graph Learning via Prior Injected BEV Feature Generation

論文の概要: LaneDiffusion: Improving Centerline Graph Learning via Prior Injected BEV Feature Generation

arxiv url: http://arxiv.org/abs/2511.06272v1
Date: Sun, 09 Nov 2025 08:15:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.855925
Title: LaneDiffusion: Improving Centerline Graph Learning via Prior Injected BEV Feature Generation
Title（参考訳）: LaneDiffusion: 事前注入型BEV特徴生成による中心グラフ学習の改善
Authors: Zijie Wang, Weiming Zhang, Wei Zhang, Xiao Tan, Hongxing Liu, Yaowei Wang, Guanbin Li,
Abstract要約: センターライングラフは、自動運転における経路計画に不可欠である。中心グラフ学習のための新しい生成パラダイムであるLaneDiffusionを紹介する。
参考スコア（独自算出の注目度）: 83.73838946806534
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Centerline graphs, crucial for path planning in autonomous driving, are traditionally learned using deterministic methods. However, these methods often lack spatial reasoning and struggle with occluded or invisible centerlines. Generative approaches, despite their potential, remain underexplored in this domain. We introduce LaneDiffusion, a novel generative paradigm for centerline graph learning. LaneDiffusion innovatively employs diffusion models to generate lane centerline priors at the Bird's Eye View (BEV) feature level, instead of directly predicting vectorized centerlines. Our method integrates a Lane Prior Injection Module (LPIM) and a Lane Prior Diffusion Module (LPDM) to effectively construct diffusion targets and manage the diffusion process. Furthermore, vectorized centerlines and topologies are then decoded from these prior-injected BEV features. Extensive evaluations on the nuScenes and Argoverse2 datasets demonstrate that LaneDiffusion significantly outperforms existing methods, achieving improvements of 4.2%, 4.6%, 4.7%, 6.4% and 1.8% on fine-grained point-level metrics (GEO F1, TOPO F1, JTOPO F1, APLS and SDA) and 2.3%, 6.4%, 6.8% and 2.1% on segment-level metrics (IoU, mAP_cf, DET_l and TOP_ll). These results establish state-of-the-art performance in centerline graph learning, offering new insights into generative models for this task.
Abstract（参考訳）: 自律走行において経路計画に不可欠な中心グラフは、伝統的に決定論的手法を用いて学習される。しかし、これらの手法は空間的推論を欠き、隠蔽された、あるいは見えない中心線に苦しむことが多い。生成的アプローチは、その可能性にもかかわらず、この領域では未探索のままである。中心グラフ学習のための新しい生成パラダイムであるLaneDiffusionを紹介する。 LaneDiffusionは、ベクトル化された中心線を直接予測するのではなく、バードアイビュー(Bird's Eye View、BEV)特徴レベルでレーン中心線を発生させる拡散モデルを採用している。本手法では,Lane Prior Diffusion Module (LPIM) とLane Prior Diffusion Module (LPDM) を統合し,拡散目標を効果的に構築し,拡散過程を管理する。さらに、ベクトル化された中心線とトポロジーは、これらの事前注入されたBEV特徴からデコードされる。 nuScenesとArgoverse2データセットの大規模な評価により、LaneDiffusionは既存の手法よりも大幅に優れており、細粒度の点レベル(GEO F1、TOPO F1、JTOPO F1、APLS、SDA)と2.3%、6.4%、6.8%、および2.1%(IoU、mAP_cf、DET_l、TOP_ll)で改善されている。これらの結果は、中心グラフ学習における最先端のパフォーマンスを確立し、このタスクのための生成モデルに対する新たな洞察を提供する。

論文の概要: LaneDiffusion: Improving Centerline Graph Learning via Prior Injected BEV Feature Generation

関連論文リスト