論文の概要: A Comprehensive Survey on Deep Learning-Based LiDAR Super-Resolution for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2602.15904v1
• Date: Sun, 15 Feb 2026 22:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.383023
• Title: A Comprehensive Survey on Deep Learning-Based LiDAR Super-Resolution for Autonomous Driving
• Title（参考訳）: 深層学習に基づくLiDAR超解法に関する総合的研究
• Authors: June Moh Goo, Zichao Zeng, Jan Boehm,
• Abstract要約: 本稿では,自動運転におけるLiDAR超解像法に関する包括的調査を行う。 既存のアプローチは、CNNベースのアーキテクチャ、モデルベースのディープアンローリング、暗黙の表現方法、TransformerとMambaベースのアプローチの4つのカテゴリに分類される。 現在のトレンドには、効率的な処理のための範囲画像表現の導入、極端なモデル圧縮、解像度フレキシブルアーキテクチャの開発などがある。
• 参考スコア（独自算出の注目度）: 0.4078247440919472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR sensors are often considered essential for autonomous driving, but high-resolution sensors remain expensive while affordable low-resolution sensors produce sparse point clouds that miss critical details. LiDAR super-resolution addresses this challenge by using deep learning to enhance sparse point clouds, bridging the gap between different sensor types and enabling cross-sensor compatibility in real-world deployments. This paper presents the first comprehensive survey of LiDAR super-resolution methods for autonomous driving. Despite the importance of practical deployment, no systematic review has been conducted until now. We organize existing approaches into four categories: CNN-based architectures, model-based deep unrolling, implicit representation methods, and Transformer and Mamba-based approaches. We establish fundamental concepts including data representations, problem formulation, benchmark datasets and evaluation metrics. Current trends include the adoption of range image representation for efficient processing, extreme model compression and the development of resolution-flexible architectures. Recent research prioritizes real-time inference and cross-sensor generalization for practical deployment. We conclude by identifying open challenges and future research directions for advancing LiDAR super-resolution technology.
• Abstract（参考訳）: LiDARセンサーは自動運転に欠かせないと考えられがちだが、高解像度のセンサーは高価であり、安価な低解像度のセンサーは重要な詳細を見逃す小さな点雲を発生させる。 LiDARは、ディープラーニングを使用してスパースポイントクラウドを強化し、さまざまなセンサタイプ間のギャップを埋め、現実世界のデプロイメントにおけるクロスセンサー互換性を実現することで、この問題に対処する。 本稿では,自動運転におけるLiDAR超解像法に関する包括的調査を行う。 実際の配備の重要性にもかかわらず、これまで体系的なレビューは行われていない。 既存のアプローチは、CNNベースのアーキテクチャ、モデルベースのディープアンローリング、暗黙の表現方法、TransformerとMambaベースのアプローチの4つのカテゴリに分類される。 データ表現、問題定式化、ベンチマークデータセット、評価指標などの基本的な概念を確立します。 現在のトレンドには、効率的な処理のための範囲画像表現の導入、極端なモデル圧縮、解像度フレキシブルアーキテクチャの開発などがある。 最近の研究は、実運用におけるリアルタイム推論とクロスセンサーの一般化を優先している。 我々は,LiDAR超解像技術の発展に向けたオープン課題と今後の研究方向性を明らかにすることで結論付ける。

関連論文リスト

• Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
  自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。 本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T17:58:01Z)
• Can Foundation Models Revolutionize Mobile AR Sparse Sensing? [2.984076446975729]
  基礎モデルがモバイルスパースセンシングの環境を変えることができるかどうかを考察する。 実世界のモバイルARデータを用いて,基礎モデルが幾何認識画像のワープに大きな改善をもたらすことを示す。 本研究では,基礎モデルに基づくスパースセンシングのスケーラビリティを実証し,その3次元シーン再構成における主要な性能を示す。
  論文  参考訳（メタデータ） (2025-11-04T03:06:51Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans [6.113534791361164]
  本研究では,現代の高分解能LiDARセンサに適したセマンティックセグメンテーションフレームワークを提案する。 都市交通シーンにおいて,最先端の自動車用128層LiDARによって収集された新しいLiDARデータセットを提案する。 我々のアプローチは最先端の研究と実用的な自動車応用のギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-04-30T13:00:50Z)
• Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
  小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。 ディープラーニングの最近の進歩は革新的なソリューションを導入している。 軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
  論文  参考訳（メタデータ） (2025-03-26T12:58:13Z)
• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。