論文の概要: ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data

• arxiv url: http://arxiv.org/abs/2512.02686v1
• Date: Tue, 02 Dec 2025 12:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.856776
• Title: ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data
• Title（参考訳）: ClimaOoD:物理リアルな合成データによる異常セグメンテーションの改善
• Authors: Yuxing Liu, Yong Liu,
• Abstract要約: 我々は,意味的コヒーレント,気象多様性,物理的に妥当なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークを提案する。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。
• 参考スコア（独自算出の注目度）: 16.145130650604344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly segmentation seeks to detect and localize unknown or out-of-distribution (OoD) objects that fall outside predefined semantic classes a capability essential for safe autonomous driving. However, the scarcity and limited diversity of anomaly data severely constrain model generalization in open-world environments. Existing approaches mitigate this issue through synthetic data generation, either by copy-pasting external objects into driving scenes or by leveraging text-to-image diffusion models to inpaint anomalous regions. While these methods improve anomaly diversity, they often lack contextual coherence and physical realism, resulting in domain gaps between synthetic and real data. In this paper, we present ClimaDrive, a semantics-guided image-to-image framework for synthesizing semantically coherent, weather-diverse, and physically plausible OoD driving data. ClimaDrive unifies structure-guided multi-weather generation with prompt-driven anomaly inpainting, enabling the creation of visually realistic training data. Based on this framework, we construct ClimaOoD, a large-scale benchmark spanning six representative driving scenarios under both clear and adverse weather conditions. Extensive experiments on four state-of-the-art methods show that training with ClimaOoD leads to robust improvements in anomaly segmentation. Across all methods, AUROC, AP, and FPR95 show notable gains, with FPR95 dropping from 3.97 to 3.52 for RbA on Fishyscapes LAF. These results demonstrate that ClimaOoD enhances model robustness, offering valuable training data for better generalization in open-world anomaly detection.
• Abstract（参考訳）: 異常セグメンテーション(英: Anomaly segmentation)は、未定義のセマンティッククラスから外れた未知またはアウト・オブ・ディストリビューション(OoD)オブジェクトを安全な自律運転に必要な能力として検出し、ローカライズすることを目的とする。 しかし、異常データの不足と限られた多様性は、オープンワールド環境におけるモデル一般化を厳しく制約する。 既存のアプローチでは、外部オブジェクトを描画シーンにコピーペーストしたり、テキストから画像への拡散モデルを利用して異常な領域を塗装することで、合成データ生成によってこの問題を緩和する。 これらの手法は異常な多様性を改善するが、文脈的コヒーレンスと物理的リアリズムを欠くことが多く、結果として合成データと実データの間にドメインギャップが生じる。 本稿では,意味的コヒーレント,気象多様性,物理的に検証可能なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークであるClimaDriveを提案する。 ClimaDriveは、構造誘導型マルチウェザー生成とプロンプト駆動型異常塗布を統合し、視覚的にリアルなトレーニングデータの作成を可能にする。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。 4つの最先端手法に関する大規模な実験は、ClimaOoDを用いたトレーニングが異常セグメンテーションの堅牢な改善をもたらすことを示している。 AUROC、AP、FPR95の3.97から3.52に減少し、RbA on Fishyscapes LAFとなった。 これらの結果は、ClimaOoDがモデルロバスト性を高め、オープンワールド異常検出におけるより良い一般化のための貴重なトレーニングデータを提供することを示す。

関連論文リスト

• FOD-S2R: A FOD Dataset for Sim2Real Transfer Learning based Object Detection [17.442807911285772]
  航空機の燃料タンク内の異物爆発(FOD)は、重大な安全上の危険をもたらす。 燃料タンクの内部にある複雑な囲いのある環境のための専用のデータセットが不足している。 航空機燃料タンク内のFODの実画像と合成画像からなる新しいデータセットFOD-S2Rを提案する。
  論文  参考訳（メタデータ） (2025-12-01T06:16:26Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• WeatherDiffusion: Weather-Guided Diffusion Model for Forward and Inverse Rendering [40.94600501568197]
  WeatherDiffusionは、自動運転シーンの前方および逆レンダリングのための拡散ベースのフレームワークである。 本手法は, 物質特性, シーン形状, 照明の正確な推定を可能にするとともに, 制御可能な天気や照明の編集もサポートする。
  論文  参考訳（メタデータ） (2025-08-09T13:29:39Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Synthetic-to-Real Self-supervised Robust Depth Estimation via Learning with Motion and Structure Priors [22.831281986234988]
  本稿では,実世界の知識を効果的に捉えるために,動きと構造を前もって組み込んだ,最初の合成から実までの頑健な深度推定フレームワークを提案する。 AbsRel と RMSE の nuScenes と Robotcar のデータセット(昼間,夜間,雨)における平均 7.5% と 4.3% の改善を実現している。 ドライビングステーオ (光, 霧) のゼロショット評価では, 本手法は従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-26T04:12:54Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。