論文の概要: Synthetic FMCW Radar Range Azimuth Maps Augmentation with Generative Diffusion Model

• arxiv url: http://arxiv.org/abs/2601.06228v1
• Date: Fri, 09 Jan 2026 10:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.701552
• Title: Synthetic FMCW Radar Range Azimuth Maps Augmentation with Generative Diffusion Model
• Title（参考訳）: 生成拡散モデルによる合成FMCWレーダ距離方位マップの増大
• Authors: Zhaoze Wang, Changxu Zhang, Tai Fei, Christopher Grimm, Yi Jin, Claas Tebruegge, Ernst Warsitz, Markus Gardill,
• Abstract要約: 本稿では,現実的な周波数変調連続波レーダレンジアジマスマップを合成するための条件付き生成フレームワークを提案する。 提案手法は,歩行者,車,サイクリストを含む複数の対象カテゴリーのレーダデータを生成するために,生成拡散モデルを利用する。
• 参考スコア（独自算出の注目度）: 9.764772760421792
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The scarcity and low diversity of well-annotated automotive radar datasets often limit the performance of deep-learning-based environmental perception. To overcome these challenges, we propose a conditional generative framework for synthesizing realistic Frequency-Modulated Continuous-Wave radar Range-Azimuth Maps. Our approach leverages a generative diffusion model to generate radar data for multiple object categories, including pedestrians, cars, and cyclists. Specifically, conditioning is achieved via Confidence Maps, where each channel represents a semantic class and encodes Gaussian-distributed annotations at target locations. To address radar-specific characteristics, we incorporate Geometry Aware Conditioning and Temporal Consistency Regularization into the generative process. Experiments on the ROD2021 dataset demonstrate that signal reconstruction quality improves by \SI{3.6}{dB} in Peak Signal-to-Noise Ratio over baseline methods, while training with a combination of real and synthetic datasets improves overall mean Average Precision by 4.15% compared with conventional image-processing-based augmentation. These results indicate that our generative framework not only produces physically plausible and diverse radar spectrum but also substantially improves model generalization in downstream tasks.
• Abstract（参考訳）: 十分に注釈付けされたレーダーデータセットの不足と多様性の低さは、ディープラーニングに基づく環境認識のパフォーマンスを制限していることが多い。 これらの課題を克服するために、現実的な周波数変調連続波レーダレンジアジマスマップを合成するための条件付き生成フレームワークを提案する。 提案手法は,歩行者,車,サイクリストを含む複数の対象カテゴリーのレーダデータを生成するために,生成拡散モデルを利用する。 具体的には、コンディショニングはConfidence Mapsを通じて達成され、各チャネルはセマンティッククラスを表し、ターゲット位置でガウス分散アノテーションをエンコードする。 レーダ特有の特徴に対処するために,ジオメトリアウェアコンディショニングとテンポラル一貫性規則化を生成プロセスに組み込む。 ROD2021データセットの実験では、ピーク信号対ノイズ比における信号再構成の品質がベースライン法よりも向上する一方で、実データと合成データセットの組み合わせによるトレーニングにより、従来の画像処理ベースの拡張よりも平均平均精度が4.15%向上することが示されている。 これらの結果から,本生成フレームワークは,物理的に可塑性かつ多様なレーダスペクトルを生成するだけでなく,下流タスクにおけるモデル一般化を大幅に改善することが示された。

関連論文リスト

• 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)
• 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)
• BRSR-OpGAN: Blind Radar Signal Restoration using Operational Generative Adversarial Network [15.913517836391357]
  現実世界のレーダー信号は、望ましくないエコー、センサーノイズ、意図的な妨害、干渉など、人工物が混ざり合っているため、しばしば破損する。 BRSR-OpGAN(Operational Generative Adversarial Network)を用いたブラインドレーダ信号復元の検討 このアプローチは、破壊の多様性や強度に関わらず、レーダ信号の品質を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-07-18T23:55:48Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Toward Data-Driven STAP Radar [23.333816677794115]
  我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。 所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。 この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。 空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
  論文  参考訳（メタデータ） (2022-01-26T02:28:13Z)
• There and Back Again: Learning to Simulate Radar Data for Real-World Applications [21.995474023869388]
  我々は、シミュレーションされた標高マップに基づいて忠実なレーダー観測を合成できるレーダセンサモデルを学ぶ。 我々は、不整合レーダの例から前方センサーモデルを学ぶための敵対的アプローチを採用する。 実環境におけるシミュレーションデータに基づいて純粋に訓練された下流セグメンテーションモデルを評価することにより,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-11-29T15:49:23Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。