論文の概要: LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures

• arxiv url: http://arxiv.org/abs/2511.10209v1
• Date: Fri, 14 Nov 2025 01:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.745942
• Title: LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures
• Title（参考訳）: LiNeXt: 効率的な非拡散アーキテクチャによるLiDAR補完の再検討
• Authors: Wenzhe He, Xiaojun Chen, Ruiqi Wang, Ruihui Li, Huilong Pi, Jiapeng Zhang, Zhuo Tang, Kenli Li,
• Abstract要約: LiNeXtは、高速で正確なポイントクラウド補完に最適化された軽量で非拡散ネットワークである。 LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。
• 参考スコア（独自算出の注目度）: 52.59993476989728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D LiDAR scene completion from point clouds is a fundamental component of perception systems in autonomous vehicles. Previous methods have predominantly employed diffusion models for high-fidelity reconstruction. However, their multi-step iterative sampling incurs significant computational overhead, limiting its real-time applicability. To address this, we propose LiNeXt-a lightweight, non-diffusion network optimized for rapid and accurate point cloud completion. Specifically, LiNeXt first applies the Noise-to-Coarse (N2C) Module to denoise the input noisy point cloud in a single pass, thereby obviating the multi-step iterative sampling of diffusion-based methods. The Refine Module then takes the coarse point cloud and its intermediate features from the N2C Module to perform more precise refinement, further enhancing structural completeness. Furthermore, we observe that LiDAR point clouds exhibit a distance-dependent spatial distribution, being densely sampled at proximal ranges and sparsely sampled at distal ranges. Accordingly, we propose the Distance-aware Selected Repeat strategy to generate a more uniformly distributed noisy point cloud. On the SemanticKITTI dataset, LiNeXt achieves a 199.8x speedup in inference, reduces Chamfer Distance by 50.7%, and uses only 6.1% of the parameters compared with LiDiff. These results demonstrate the superior efficiency and effectiveness of LiNeXt for real-time scene completion.
• Abstract（参考訳）: 点雲からの3D LiDARシーンの完成は、自動運転車における知覚システムの基本的な構成要素である。 従来は高忠実度再構成のための拡散モデルが主流であった。 しかし、その多段階反復サンプリングは、そのリアルタイム適用性を制限し、かなりの計算オーバーヘッドを発生させる。 そこで本研究では,高速かつ高精度なポイントクラウド補完に最適化された軽量で非拡散型ネットワークLiNeXtを提案する。 具体的には、LiNeXtはまずノイズ・ツー・コアス(N2C)モジュールを適用して入力ノイズ点雲を単一パスでノイズ化し、拡散法を多段階反復的にサンプリングするのを防ぐ。 その後、Refine Moduleは粗い点雲とその中間機能をN2Cモジュールから取り出し、より精密な改良を行い、構造的完全性を高めた。 さらに、LiDAR点雲は距離依存的な空間分布を示し、近距離で密度的にサンプリングされ、遠距離でスパース的にサンプリングされる。 そこで本稿では,より均一に分散したノイズ点雲を生成するために,距離対応Selected Repeat戦略を提案する。 SemanticKITTIデータセットでは、LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。 これらの結果は,リアルタイムシーン補完におけるLiNeXtの有効性と有効性を示す。

関連論文リスト

• PVNet: Point-Voxel Interaction LiDAR Scene Upsampling Via Diffusion Models [57.02789948234898]
  拡散モデルに基づく点-ボクセル相互作用フレームワークであるPVNetを提案する。 具体的には、スパース点雲を誘導条件とし、近くのフレームから得られた合成点雲を入力とする。 さらに,各アップサンプリング点の環境認識能力を効率よく向上する点とボクセルの両方の機能を統合する点とボクセルの相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-23T14:55:03Z)
• Efficient Point Clouds Upsampling via Flow Matching [16.948354780275388]
  既存の拡散モデルは、ガウスノイズを実点雲にマップするときに非効率で苦労する。 本研究では,スパース点雲を高忠実度密度の雲に直接マッピングする流れマッチング手法PUFMを提案する。 本手法はより優れたアップサンプリング品質を提供するが,サンプリングステップは少ない。
  論文  参考訳（メタデータ） (2025-01-25T17:50:53Z)
• Diffusion-Occ: 3D Point Cloud Completion via Occupancy Diffusion [5.189790379672664]
  拡散点クラウドコンプリートのための新しいフレームワークである textbfDiffusion-Occ を紹介する。 占有領域をしきい値にすることで、それを完全点雲に変換する。 実験の結果,Diffusion-Occは既存の差別的・生成的手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-27T07:57:58Z)
• RangeLDM: Fast Realistic LiDAR Point Cloud Generation [12.868053836790194]
  本研究では,高品質なLiDAR点雲を高速に生成するための新しいアプローチであるRangeLDMを紹介する。 Hough 投票による点雲から範囲画像への正確な投影のために、レンジビューデータ分布を補正することで、これを実現する。 我々は、レンジ誘導型識別器を考案し、3次元構造的忠実性を維持するようモデルに指示する。
  論文  参考訳（メタデータ） (2024-03-15T08:19:57Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
  我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。 点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2020-06-20T03:11:04Z)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)

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。