論文の概要: R$^3$D: Regional-guided Residual Radar Diffusion
- arxiv url: http://arxiv.org/abs/2601.06465v1
- Date: Sat, 10 Jan 2026 07:23:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.829805
- Title: R$^3$D: Regional-guided Residual Radar Diffusion
- Title（参考訳）: R$^3$D:地域誘導残留レーダ拡散
- Authors: Hao Li, Xinqi Liu, Yaoqing Jin,
- Abstract要約: 地域誘導残差レーダ拡散フレームワークR3Dを提案する。
ColoRadarデータセットの実験では、R3Dが最先端のメソッドより優れていることが示されている。
- 参考スコア（独自算出の注目度）: 8.828730946638103
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Millimeter-wave radar enables robust environment perception in autonomous systems under adverse conditions yet suffers from sparse, noisy point clouds with low angular resolution. Existing diffusion-based radar enhancement methods either incur high learning complexity by modeling full LiDAR distributions or fail to prioritize critical structures due to uniform regional processing. To address these issues, we propose R3D, a regional-guided residual radar diffusion framework that integrates residual diffusion modeling-focusing on the concentrated LiDAR-radar residual encoding complementary high-frequency details to reduce learning difficulty-and sigma-adaptive regional guidance-leveraging radar-specific signal properties to generate attention maps and applying lightweight guidance only in low-noise stages to avoid gradient imbalance while refining key regions. Extensive experiments on the ColoRadar dataset demonstrate that R3D outperforms state-of-the-art methods, providing a practical solution for radar perception enhancement. Our anonymous code and pretrained models are released here: https://anonymous.4open.science/r/r3d-F836
- Abstract（参考訳）: ミリ波レーダは、低角分解能の希少でノイズの多い点雲に苦しむ自律システムにおいて、堅牢な環境認識を可能にする。
既存の拡散型レーダ拡張手法は、LiDAR分布全体をモデル化することで、学習の複雑さを増大させるか、あるいは一様局所処理による臨界構造の優先順位付けに失敗する。
これらの問題に対処するために、R3Dという地域誘導型残差レーダ拡散フレームワークを提案する。このフレームワークは、LiDAR-radar残差を高頻度に符号化した残差拡散モデルに焦点を合わせ、学習難易度とシグマ適応型地域誘導平均レーダ固有の信号特性を低減し、注目マップを生成し、低雑音段階のみに軽量誘導を適用し、キー領域を精製しながら勾配不均衡を回避する。
ColoRadarデータセットの大規模な実験により、R3Dは最先端の手法よりも優れており、レーダ知覚向上のための実用的なソリューションを提供する。
我々の匿名コードと事前訓練済みモデルは以下にリリースされている。
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) - RaLiFlow: Scene Flow Estimation with 4D Radar and LiDAR Point Clouds [10.906975408529895]
我々は、パブリックな現実世界の自動車のデータセットに基づいて、Radar-LiDARシーンフローデータセットを構築した。
4DレーダとLiDARのための最初の共同シーンフロー学習フレームワークであるRaLiFlowを紹介する。
提案手法は,既存のLiDAR法とレーダ方式の単一モード法とを有意差で比較した。
論文 参考訳（メタデータ） (2025-12-11T07:41:33Z) - RaLD: Generating High-Resolution 3D Radar Point Clouds with Latent Diffusion [17.986411213116828]
ミリ波レーダーは、悪条件の頑丈さと低コストのおかげで、自律システムに対して有望なセンシングモダリティを提供する。
その実用性はレーダーポイント雲の空間性と低解像度によって著しく制限されており、密集した正確な3D知覚を必要とするタスクに課題をもたらす。
本稿では,このギャップを埋めるフレームワークとして,シーンレベルのフラストラムベースのLiDARオートエンコーディング,順序不変の潜在表現,ダイレクトレーダスペクトルコンディショニングを導入して紹介する。
論文 参考訳（メタデータ） (2025-11-10T13:03:58Z) - RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。
レーダーは騒音と位置のあいまいさに悩まされる。
本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文 参考訳（メタデータ） (2025-02-18T17:17:38Z) - TransRAD: Retentive Vision Transformer for Enhanced Radar Object Detection [6.163747364795787]
本稿では,新しい3次元レーダ物体検出モデルであるTransRADを提案する。
本研究では、ディープレーダオブジェクト検出における重複境界ボックスの共通問題を軽減するために、位置認識型NMSを提案する。
その結果,TransRADは2次元および3次元のレーダ検出タスクにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-01-29T20:21:41Z) - Redefining Automotive Radar Imaging: A Domain-Informed 1D Deep Learning Approach for High-Resolution and Efficient Performance [6.784861785632841]
本研究では,1次元(1次元)信号の超解像スペクトル推定問題として,レーダー画像の超解像を再定義する。
自動車レーダイメージングのための最適化されたディープラーニングネットワークは、優れたスケーラビリティ、パラメータ効率、高速推論速度を示す。
我々のSR-SPECNetは、高解像度のレーダレンジ方位画像を作成するための新しいベンチマークを設定している。
論文 参考訳（メタデータ） (2024-06-11T16:07:08Z) - RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。
現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。
本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
論文 参考訳（メタデータ） (2024-05-22T21:48:17Z) - Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。
提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。
本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-05-07T20:44:48Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-04-06T15:07:16Z)
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。