論文の概要: A Graph Attention Network-Based Framework for Reconstructing Missing LiDAR Beams

• arxiv url: http://arxiv.org/abs/2512.12410v1
• Date: Sat, 13 Dec 2025 17:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.249081
• Title: A Graph Attention Network-Based Framework for Reconstructing Missing LiDAR Beams
• Title（参考訳）: 故障したLiDARビームの再構成のためのグラフ注意ネットワークベースフレームワーク
• Authors: Khalfalla Awedat, Mohamed Abidalrekab, Mohammad El-Yabroudi,
• Abstract要約: 本稿では,現在のLiDARフレームのみを用いて,行方不明な垂直チャネルを再構築するグラフ注意ネットワークフレームワークを提案する。 多層GATは、局所的な幾何学的近傍における適応的な注意重みを学習し、ドロップアウト箇所で欠落した標高(z)値を直接回帰する。 推論は1つのGPU上で1フレームあたり14.65秒かかる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vertical beam dropout in spinning LiDAR sensors triggered by hardware aging, dust, snow, fog, or bright reflections removes entire vertical slices from the point cloud and severely degrades 3D perception in autonomous vehicles. This paper proposes a Graph Attention Network (GAT)-based framework that reconstructs these missing vertical channels using only the current LiDAR frame, with no camera images or temporal information required. Each LiDAR sweep is represented as an unstructured spatial graph: points are nodes and edges connect nearby points while preserving the original beam-index ordering. A multi-layer GAT learns adaptive attention weights over local geometric neighborhoods and directly regresses the missing elevation (z) values at dropout locations. Trained and evaluated on 1,065 raw KITTI sequences with simulated channel dropout, the method achieves an average height RMSE of 11.67 cm, with 87.98% of reconstructed points falling within a 10 cm error threshold. Inference takes 14.65 seconds per frame on a single GPU, and reconstruction quality remains stable for different neighborhood sizes k. These results show that a pure graph attention model operating solely on raw point-cloud geometry can effectively recover dropped vertical beams under realistic sensor degradation.
• Abstract（参考訳）: ハードウェアの老朽化、塵、雪、霧、明るい反射によって引き起こされるLiDARセンサーの垂直ビームの落下は、点雲から垂直スライス全体を取り除き、自動運転車の3D知覚を著しく低下させる。 本稿では、現在のLiDARフレームのみを用いて、カメラ画像や時間情報を必要としない、これらの行方不明な垂直チャネルを再構築するグラフ注意ネットワーク(GAT)ベースのフレームワークを提案する。 各LiDARスイープは非構造化空間グラフとして表現される:ポイントはノードであり、エッジは元のビームインデックス順序を保ちながら近くのポイントを接続する。 多層GATは、局所的な幾何学的近傍における適応的な注意重みを学習し、ドロップアウト箇所で欠落した標高(z)値を直接回帰する。 擬似チャネルドロップアウトによる1,065個のKITTI配列のトレーニングおよび評価を行い、平均高さRMSEは11.67cm、再建点の87.98%が10cmの誤差閾値以内である。 推論は1つのGPU上で1フレームあたり14.65秒かかる。 これらの結果から, 生の点-雲形状のみで動作する純グラフアテンションモデルにより, 現実的なセンサ劣化の下で, 落下した垂直ビームを効果的に回収できることが示唆された。

関連論文リスト

• Rethinking the Encoding and Annotating of 3D Bounding Box: Corner-Aware 3D Object Detection from Point Clouds [69.84768614060559]
  中心方向の回帰はLiDARベースの3Dオブジェクト検出において依然として支配的だが、基本的な不安定さに悩まされている。 本稿では,予測対象を不安定な中心から幾何学的情報的コーナーへシフトするコーナーアライン回帰を提案する。 我々は、既存の検出器に差し込むことができる、シンプルで効果的なコーナー認識検出ヘッドを設計する。
  論文  参考訳（メタデータ） (2025-11-18T13:49:30Z)
• Source-Only Cross-Weather LiDAR via Geometry-Aware Point Drop [0.7734726150561086]
  LiDARセマンティックセグメンテーションは、屈折、散乱、点降下が幾何を損なうため、悪天候で劣化する。 本稿では,アジマスをアジマスに整列させ,隣接する連続性を維持するために円形のパディングを施した光幾何対応アダプタを提案する。 このアダプタは、データ中心の増分ベースラインでmIoUを7.9ポイント、クラス中心の正規化ベースラインで0.6ポイント改善する。
  論文  参考訳（メタデータ） (2025-11-03T05:44:07Z)
• LaRI: Layered Ray Intersections for Single-view 3D Geometric Reasoning [75.9814389360821]
  層状光線交差(LaRI)は、1つの画像から未知の幾何学的推論を行う新しい方法である。 コンパクトで階層的な表現から恩恵を受けることで、LaRIは完全で効率的でビュー整合な幾何学的推論を可能にする。 3Dオブジェクトやシーンを含む、合成および実世界のデータのための完全なトレーニングデータ生成パイプラインを構築します。
  論文  参考訳（メタデータ） (2025-04-25T15:31:29Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• A Radiometric Correction based Optical Modeling Approach to Removing Reflection Noise in TLS Point Clouds of Urban Scenes [3.7967365472200894]
  TLSが取得した点雲は反射面からの仮想点を含むことが多く、乱れを引き起こす。 本研究では,TLS点雲に対する反射ノイズ除去アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:17:41Z)
• LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
  本稿では,LiDARセンサのための新しいビュー合成手法を提案する。 スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。 ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
  論文  参考訳（メタデータ） (2023-04-20T15:44:37Z)
• Real-Time Simultaneous Localization and Mapping with LiDAR intensity [9.374695605941627]
  実時間LiDAR強調画像を用いた同時位置推定とマッピング手法を提案する。 提案手法は高精度でリアルタイムに動作可能であり,照度変化,低テクスチャ,非構造化環境でも有効である。
  論文  参考訳（メタデータ） (2023-01-23T03:59:48Z)
• InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
  ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。 提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。 複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
  論文  参考訳（メタデータ） (2021-12-31T11:56:01Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)

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。