論文の概要: RISE: Single Static Radar-based Indoor Scene Understanding

• arxiv url: http://arxiv.org/abs/2511.14019v1
• Date: Tue, 18 Nov 2025 00:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.860602
• Title: RISE: Single Static Radar-based Indoor Scene Understanding
• Title（参考訳）: RISE:シングル静的レーダーによる屋内シーン理解
• Abstract要約: RISEは,シングルスタティックレーダ屋内シーン理解のための最初のベンチマークおよびシステムである。 本稿では,2次反射(ゴースト)を復元し,目に見えない構造を明らかにするために,Agle-of-ArrivalとAngle-of-Departureを明示的にモデル化したBi-Angular Multipath拡張を提案する。 われわれのベンチマークでは、100の屋内軌道に5万のフレームが集められており、レーダーによる屋内シーンの理解に特化した最初の大規模データセットとなっている。
• 参考スコア（独自算出の注目度）: 10.100641106431354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust and privacy-preserving indoor scene understanding remains a fundamental open problem. While optical sensors such as RGB and LiDAR offer high spatial fidelity, they suffer from severe occlusions and introduce privacy risks in indoor environments. In contrast, millimeter-wave (mmWave) radar preserves privacy and penetrates obstacles, but its inherently low spatial resolution makes reliable geometric reasoning difficult. We introduce RISE, the first benchmark and system for single-static-radar indoor scene understanding, jointly targeting layout reconstruction and object detection. RISE is built upon the key insight that multipath reflections, traditionally treated as noise, encode rich geometric cues. To exploit this, we propose a Bi-Angular Multipath Enhancement that explicitly models Angle-of-Arrival and Angle-of-Departure to recover secondary (ghost) reflections and reveal invisible structures. On top of these enhanced observations, a simulation-to-reality Hierarchical Diffusion framework transforms fragmented radar responses into complete layout reconstruction and object detection. Our benchmark contains 50,000 frames collected across 100 real indoor trajectories, forming the first large-scale dataset dedicated to radar-based indoor scene understanding. Extensive experiments show that RISE reduces the Chamfer Distance by 60% (down to 16 cm) compared to the state of the art in layout reconstruction, and delivers the first mmWave-based object detection, achieving 58% IoU. These results establish RISE as a new foundation for geometry-aware and privacy-preserving indoor scene understanding using a single static radar.
• Abstract（参考訳）: ロバストでプライバシーを保護している屋内シーンの理解は、依然として根本的なオープンな問題である。 RGBやLiDARのような光学センサーは空間的忠実度が高いが、深刻な閉塞に悩まされ、屋内環境にプライバシーリスクが生じる。 対照的にミリ波レーダーはプライバシーを守り障害物を貫通するが、本質的に空間分解能が低いため、信頼性の高い幾何学的推論は困難である。 RISEは,レイアウトの再構築とオブジェクト検出を共同でターゲットとした,シングルスタティックレーダ屋内シーン理解のための,最初のベンチマークおよびシステムである。 RISEは、伝統的にノイズとして扱われるマルチパス反射がリッチな幾何学的手がかりをエンコードするという重要な洞察に基づいて構築されている。 これを活用するために,2次(ゴースト)反射を復元し,目に見えない構造を明らかにするために,Agle-of-ArrivalとAngle-of-Departureを明示的にモデル化したBi-Angular Multipath拡張を提案する。 これらの強化された観測に加えて、シミュレーションと現実の階層的拡散フレームワークは、断片化されたレーダー応答を完全なレイアウト再構築とオブジェクト検出に変換する。 われわれのベンチマークでは、100の屋内軌道に5万のフレームが集められており、レーダーによる屋内シーンの理解に特化した最初の大規模データセットとなっている。 広範囲な実験により、RISEはレイアウト再構築の最先端と比較してチャンファー距離を60%(下方16cm)削減し、最初のmmWaveベースの物体検出を行い、58%のIoUを達成した。 これらの結果は、RISEを1つの静的レーダーを用いた幾何学的およびプライバシー保護的な屋内シーン理解のための新しい基盤として確立する。

関連論文リスト

• Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking [18.63898447592778]
  RGBTR-Motionは、RGB、サーマル、レーダストリームを高密度のインスタンスマスクと時間的に一貫したIDと組み合わせたベンチマークである。 また、SAM 3上に構築されたRGB、サーマル、レーダーに基づくセグメンテーションおよびトラッキングフレームワークであるSAM-Radarも開発している。
  論文  参考訳（メタデータ） (2026-09-08T07:17:33Z)
• LCMamNet: A Lightweight Cross-scale Mamba Network for Infrared Small Target Detection [53.811713750107934]
  赤外線小ターゲット検出のための軽量クロススケールマンバネットワークであるLCMamNetを提案する。 十字形指向性ボトルネック残差ブロックを有するコンパクト階層型エンコーダは、指向性ターゲット構造を強化する。 IRSTD-1k、NUAA-SIRST、NUDT-SIRSTの実験では、提案したネットワークがそれぞれ71.25%、79.60%、95.58%のmIoUスコアを達成した。
  論文  参考訳（メタデータ） (2026-07-27T09:06:14Z)
• TRISTAR: Triple-Signal Stair Recognition and Vision-Only Indoor Navigation for Search-and-Rescue Micro-UAVs [0.0]
  本稿では,単眼視のみに基づく低コスト無人航空機のための完全自律型屋内ナビゲーションフレームワークを提案する。 この枠組みは, (i) 自動ドア検出による廊下探索, (i) 室内侵入, OCR による部屋の識別, および (ii) TRISTAR に基づく自律階段上昇の2つの独立した行動からなる。
  論文  参考訳（メタデータ） (2026-07-04T11:06:00Z)
• Spatially Stratified Distillation for Heterogeneous Radar Place Recognition [6.215632013632239]
  注目すべき応用は、高密度回転レーダによって構築された高忠実度参照マップに対して、コスト効率のよい4D自動車レーダからのクエリをマッチングすることである。 このプロセスは、基本的に4Dセンサーの極端に間隔(視野の狭さ)によって制限される。 本研究では, 標準均一蒸留を非対称な空間配向に置き換える手法である空間成層蒸留(SSD)を提案する。
  論文  参考訳（メタデータ） (2026-06-17T04:55:42Z)
• physfusion: A Transformer-based Dual-Stream Radar and Vision Fusion Framework for Open Water Surface Object Detection [3.3795150675738808]
  PhysFusionは、水面知覚のための物理インフォームドレーダー画像検出フレームワークである。 物理インレーダ(PIR)とRCSマッパーと品質ゲートを統合し、ポイント当たりのレーダ特性をコンパクトな散乱前処理に変換する。 WaterScenesとFLOWの実験は、PhysFusionがWaterScenesで59.7% mAP50:95と90.3% mAP50を達成したことを示している。
  論文  参考訳（メタデータ） (2026-03-02T15:00:22Z)
• Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
  Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。 Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。 Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
  論文  参考訳（メタデータ） (2026-02-10T10:56:47Z)
• Real-Time 4D Radar Perception for Robust Human Detection in Harsh Enclosed Environments [10.956927578406388]
  本稿では, 密集環境を代表とした散布環境において, 制御された多層塵濃度を生成するための新しい手法を提案する。 また、カメラとLiDARによって強化された新しい4DmmWaveレーダーデータセットを提示し、塵粒子と反射面が検知機能にどのように影響するかを説明した。
  論文  参考訳（メタデータ） (2026-01-19T20:01:15Z)
• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Structure-Aware Radar-Camera Depth Estimation [10.13373000424379]
  本稿では,SA-RCDという構造認識型レーダーカメラ深度推定フレームワークを提案する。 我々のSA-RCDはnuScenesデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-06-05T13:18:48Z)
• 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)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Radar-Lidar Fusion for Object Detection by Designing Effective Convolution Networks [18.17057711053028]
  オブジェクト検出の強化のために,レーダデータとライダーデータを統合したデュアルブランチフレームワークを提案する。 この結果は、最先端の手法を1.89%ドルと2.61%ドルで上回り、好ましくない気象条件で上回っていることを示している。
  論文  参考訳（メタデータ） (2023-10-30T10:18:40Z)
• DensePose From WiFi [86.61881052177228]
  WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。 本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
  論文  参考訳（メタデータ） (2022-12-31T16:48:43Z)
• Radar Guided Dynamic Visual Attention for Resource-Efficient RGB Object Detection [10.983063391496543]
  自動運転車の認識品質を向上させるために,RGB画像に対する新しいレーダー誘導空間アテンションを提案する。 提案手法は,RGBモードの物体検出装置では検出されない小型・長距離物体の知覚を改善する。
  論文  参考訳（メタデータ） (2022-06-03T18:29:55Z)
• RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
  我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。 我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
  論文  参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。