論文の概要: SuperiorGAT: Graph Attention Networks for Sparse LiDAR Point Cloud Reconstruction in Autonomous Systems

• arxiv url: http://arxiv.org/abs/2512.22439v2
• Date: Tue, 30 Dec 2025 16:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 13:52:31.607429
• Title: SuperiorGAT: Graph Attention Networks for Sparse LiDAR Point Cloud Reconstruction in Autonomous Systems
• Title（参考訳）: SuperiorGAT: 自律システムにおける疎LiDARポイントクラウド再構築のためのグラフ注意ネットワーク
• Authors: Khalfalla Awedat, Mohamed Abidalrekab, Gurcan Comert, Mustafa Ayad,
• Abstract要約: SuperiorGATはグラフベースのフレームワークで、疎いLiDAR点雲の行方不明な標高情報を再構築するように設計されている。 Person、Road、Campus、Cityといった様々なKITTI環境における実験は、SuperiorGATが一貫して低い再構成誤差を達成し、幾何的整合性を向上させることを実証している。
• 参考スコア（独自算出の注目度）: 4.4203363069188475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR-based perception in autonomous systems is constrained by fixed vertical beam resolution and further compromised by beam dropout resulting from environmental occlusions. This paper introduces SuperiorGAT, a graph attention-based framework designed to reconstruct missing elevation information in sparse LiDAR point clouds. By modeling LiDAR scans as beam-aware graphs and incorporating gated residual fusion with feed-forward refinement, SuperiorGAT enables accurate reconstruction without increasing network depth. To evaluate performance, structured beam dropout is simulated by removing every fourth vertical scanning beam. Extensive experiments across diverse KITTI environments, including Person, Road, Campus, and City sequences, demonstrate that SuperiorGAT consistently achieves lower reconstruction error and improved geometric consistency compared to PointNet-based models and deeper GAT baselines. Qualitative X-Z projections further confirm the model's ability to preserve structural integrity with minimal vertical distortion. These results suggest that architectural refinement offers a computationally efficient method for improving LiDAR resolution without requiring additional sensor hardware.
• Abstract（参考訳）: 自律システムにおけるLiDARに基づく認識は、固定された垂直ビーム分解によって制限され、さらに環境閉塞によって生じるビームのドロップアウトによって損なわれる。 本稿では,不足するLiDAR点雲の高度情報を再構成するグラフアテンションに基づくフレームワークであるSuperiorGATを紹介する。 LiDARスキャンをビーム対応グラフとしてモデル化し、フィードフォワード改良によるゲート残差融合を組み込むことで、ネットワーク深度を増大させることなく正確な再構築を可能にする。 性能を評価するために、第4垂直走査ビームを全て除去することにより、構造化ビームのドロップアウトをシミュレートする。 Person、Road、Campus、Cityといった様々なKITTI環境における大規模な実験により、SuperiorGATは、PointNetベースのモデルやより深いGATベースラインと比較して、低い再構成誤差と幾何的一貫性を一貫して達成していることが示された。 定性的X-Z射影は、最小の垂直歪みで構造的整合性を維持するモデルの能力をさらに確認する。 これらの結果から,LiDARの分解能向上には,センサハードウェアの追加を必要とせず,計算効率がよいことが示唆された。

関連論文リスト

• LiDAR-GS++:Improving LiDAR Gaussian Reconstruction via Diffusion Priors [51.724649822336346]
  実時間および高忠実度再シミュレーションのための拡散前処理により強化された再構成手法であるLiDAR-GS++を提案する。 具体的には、粗い外挿レンダリングを条件とした制御可能なLiDAR生成モデルを導入し、余分な幾何整合性スキャンを生成する。 再構成を未適合領域にまで拡張することにより,外挿的視点に対するグローバルな幾何整合性を確保することができる。
  論文  参考訳（メタデータ） (2025-11-15T17:33:12Z)
• GS-SDF: LiDAR-Augmented Gaussian Splatting and Neural SDF for Geometrically Consistent Rendering and Reconstruction [12.293953058837653]
  デジタル双生児は、自律運転と具現化された人工知能の開発に基礎を成している。 ニューラルサインされた距離場とガウススプラッティングを相乗化する統合LiDAR視覚システムを提案する。 実験では、様々な軌道にまたがる再現精度とレンダリング品質が向上した。
  論文  参考訳（メタデータ） (2025-03-13T08:53:38Z)
• LiVisSfM: Accurate and Robust Structure-from-Motion with LiDAR and Visual Cues [7.911698650147302]
  LiVisSfMは、LiDARとビジュアルキューを完全に組み合わせたSfMベースの再構築システムである。 本稿では,LiDARのフレーム登録を革新的に行うLiDAR-visual SfM法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:41:56Z)
• ES-Gaussian: Gaussian Splatting Mapping via Error Space-Based Gaussian Completion [9.443354889048614]
  視覚ベースのマッピングは、粗い点雲のために高品質な3D再構成に苦しむことが多い。 低高度カメラと単線LiDARを用いた高品質な3D再構成システムES-Gaussianを提案する。
  論文  参考訳（メタデータ） (2024-10-09T07:09:29Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)

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。