論文の概要: PMA-Diffusion: A Physics-guided Mask-Aware Diffusion Framework for TSE from Sparse Observations

• arxiv url: http://arxiv.org/abs/2512.06183v1
• Date: Fri, 05 Dec 2025 22:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.226227
• Title: PMA-Diffusion: A Physics-guided Mask-Aware Diffusion Framework for TSE from Sparse Observations
• Title（参考訳）: 物理誘導型TSE用マスク対応拡散フレームワークPMA-Diffusion
• Authors: Lindong Liu, Zhixiong Jin, Seongjin Choi,
• Abstract要約: PMA-Diffusionは物理誘導型マスク認識拡散フレームワークである。 不完全な観測から未観測の高速道路の速度場を再構築する。 可視率の異なるI-24 MOTIONデータセットでテストされている。
• 参考スコア（独自算出の注目度）: 0.6918455480131249
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution highway traffic state information is essential for Intelligent Transportation Systems, but typical traffic data acquired from loop detectors and probe vehicles are often too sparse and noisy to capture the detailed dynamics of traffic flow. We propose PMA-Diffusion, a physics-guided mask-aware diffusion framework that reconstructs unobserved highway speed fields from sparse, incomplete observations. Our approach trains a diffusion prior directly on sparsely observed speed fields using two mask-aware training strategies: Single-Mask and Double-Mask. At the inference phase, the physics-guided posterior sampler alternates reverse-diffusion updates, observation projection, and physics-guided projection based on adaptive anisotropic smoothing to reconstruct the missing speed fields. The proposed framework is tested on the I-24 MOTION dataset with varying visibility ratios. Even under severe sparsity, with only 5% visibility, PMA-Diffusion outperforms other baselines across three reconstruction error metrics. Furthermore, PMA-diffusion trained with sparse observation nearly matches the performance of the baseline model trained on fully observed speed fields. The results indicate that combining mask-aware diffusion priors with a physics-guided posterior sampler provides a reliable and flexible solution for traffic state estimation under realistic sensing sparsity.
• Abstract（参考訳）: 高解像度の高速道路交通状態情報は、インテリジェント・トランスポーテーション・システムにとって不可欠であるが、ループ検出器やプローブ車両から取得される典型的な交通データは、交通の流れの詳細なダイナミクスを捉えるには、希少でノイズが多い。 PMA拡散(PMA-Diffusion)は、不完全な観測から観測されていない高速道路の速度場を再構成する物理誘導型マスク対応拡散フレームワークである。 本手法は, マスクを意識した2つのトレーニング戦略であるシングルマスクとダブルマスクを用いて, わずかに観測された速度場の拡散を直接訓練する。 推論フェーズでは、物理誘導後サンプリング器は、適応異方性平滑化に基づく逆拡散更新、観測投影、物理誘導投影を交互に行い、欠落する速度場を再構築する。 提案するフレームワークは、視認率の異なるI-24 MOTIONデータセットでテストされる。 視認性は5%に過ぎず、過酷な間隔でも、PMA-Diffusionは3つの再構成エラーメトリクスで他のベースラインを上回っている。 さらに、スパース観測で訓練されたPMA拡散は、完全に観測された速度場上で訓練されたベースラインモデルの性能とほぼ一致した。 その結果,マスク認識拡散先行と物理誘導後部サンプリング器を組み合わせることで,現実的な感覚空間下での交通状態推定の信頼性と柔軟な解が得られることがわかった。

関連論文リスト

• FASTopoWM: Fast-Slow Lane Segment Topology Reasoning with Latent World Models [75.28505955393591]
  レーンセグメント推論は、総合的な鳥眼ビュー(BEV)ロードシーン理解を提供する。 ストリームベースの時間的伝搬法は,クエリレベルとBEVレベルの両方に時間的手がかりを組み込むことで,有望な結果を示した。 FASTopoWMは、潜在世界モデルで拡張された新しい高速スローレーンセグメント推論フレームワークである。
  論文  参考訳（メタデータ） (2025-07-31T08:12:56Z)
• Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
  斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。 提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。 最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
  論文  参考訳（メタデータ） (2024-11-06T15:13:40Z)
• Text-Driven Traffic Anomaly Detection with Temporal High-Frequency Modeling in Driving Videos [22.16190711818432]
  本稿では,ビデオクリップをテキストプロンプトと整合させる新しい単一ステージ手法であるTHFを紹介し,交通異常検出の新しい視点を提供する。 従来の手法とは異なり、我々の手法の教師付き信号は1ホットベクトルではなく言語から派生しており、より包括的な表現を提供する。 提案したTTHFは,DoTAデータセット上で,+5.4%のAUCで,最先端の競合よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-07T15:47:19Z)
• Revealing the Power of Masked Autoencoders in Traffic Forecasting [16.69508205120188]
  本稿では,交通予測における既存の時空間モデルを強化するためのプラグイン・アンド・プレイ・フレームワークを提案する。 STMAEは2つの学習段階から構成されており、事前学習段階では、エンコーダが2つのマスキング戦略によって生成された部分的に可視なトラフィックデータを処理している。 2つのデコーダは,空間的,時間的両面からマスクを復元することを目的としている。 トラフィックベンチマークの結果から,STMAEは様々な時空間モデルの予測能力を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-26T18:05:19Z)
• A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field [12.067838086415833]
  本稿では,データ駆動学習に基づく手法と,自然に着想を得た概念から生成された速度ベクトル場(VVF)を組み合わせた軌道予測手法を提案する。 精度は、正確な軌道予測のための過去の観測の長い歴史の要求を緩和する観測窓の減少と一致している。
  論文  参考訳（メタデータ） (2023-09-19T22:14:52Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• 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)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)

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。