論文の概要: Send Less, Perceive More: Masked Quantized Point Cloud Communication for Loss-Tolerant Collaborative Perception

• arxiv url: http://arxiv.org/abs/2602.21667v1
• Date: Wed, 25 Feb 2026 08:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.749523
• Title: Send Less, Perceive More: Masked Quantized Point Cloud Communication for Loss-Tolerant Collaborative Perception
• Title（参考訳）: より少ない、より知覚する: 損失耐性の協調知覚のためのマスク量子化ポイントクラウド通信
• Authors: Sheng Xu, Enshu Wang, Hongfei Xue, Jian Teng, Bingyi Liu, Yi Zhu, Pu Wang, Libing Wu, Chunming Qiao,
• Abstract要約: 帯域幅を大幅に削減する量子化ポイントクラウド通信フレームワークであるQPoint2Commを紹介する。 QPoint2Commは共有コードブックを使用して量子化されたポイントクラウドインデックスを直接通信する。 我々は、乱数パケット損失をシミュレートするマスク付きトレーニング戦略を採用し、重い送信障害であっても、モデルが強力な性能を維持することができる。
• 参考スコア（独自算出の注目度）: 38.10779821259225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative perception allows connected vehicles to overcome occlusions and limited viewpoints by sharing sensory information. However, existing approaches struggle to achieve high accuracy under strict bandwidth constraints and remain highly vulnerable to random transmission packet loss. We introduce QPoint2Comm, a quantized point-cloud communication framework that dramatically reduces bandwidth while preserving high-fidelity 3D information. Instead of transmitting intermediate features, QPoint2Comm directly communicates quantized point-cloud indices using a shared codebook, enabling efficient reconstruction with lower bandwidth than feature-based methods. To ensure robustness to possible communication packet loss, we employ a masked training strategy that simulates random packet loss, allowing the model to maintain strong performance even under severe transmission failures. In addition, a cascade attention fusion module is proposed to enhance multi-vehicle information integration. Extensive experiments on both simulated and real-world datasets demonstrate that QPoint2Comm sets a new state of the art in accuracy, communication efficiency, and resilience to packet loss.
• Abstract（参考訳）: 協調的な知覚により、コネクテッドカーは知覚情報を共有することによって、排他的および限定的な視点を克服することができる。 しかし、既存の手法では、帯域幅の制限が厳密な場合、高い精度を達成するのに苦労し、乱数送信パケットの損失に対して非常に脆弱なままである。 高忠実度3D情報を保持しながら帯域幅を大幅に削減する量子化ポイントクラウド通信フレームワークであるQPoint2Commを紹介する。 中間機能を送信する代わりに、QPoint2Commは共有コードブックを使用して量子化されたポイントクラウドインデックスを直接通信し、特徴ベースの方法よりも帯域幅の少ない効率的な再構築を可能にする。 通信パケット損失の可能性に対するロバスト性を確保するため,我々は乱数パケット損失をシミュレートするマスク付きトレーニング戦略を採用した。 さらに,多車種情報統合を強化するために,カスケードアテンション融合モジュールを提案する。 シミュレーションと実世界の両方のデータセットに対する大規模な実験により、QPoint2Commは、パケットロスに対する正確性、通信効率、レジリエンスの新たな最先端を設定できることを示した。

関連論文リスト

• Communication-Efficient Multi-Modal Edge Inference via Uncertainty-Aware Distributed Learning [60.650628083185616]
  トレーニングと推論効率を向上させるために,3段階のコミュニケーション対応分散学習フレームワークを提案する。 StageIでは、デバイスがローカルなマルチモーダルな自己教師型学習を行い、デバイス-サーバ交換なしで共有およびモダリティ固有のエンコーダを得る。 集中的な顕在的融合校正による分散微調整は、モダリティごとの不確かさを解消し、ノイズやチャネルのフェーディングによって歪んだ特徴を確実に集約する。 不確実性誘導フィードバック機構であるStageIIIは、分散環境での通信精度のトレードオフを最適化し、不確実なサンプルに対する追加機能を選択的に要求する。
  論文  参考訳（メタデータ） (2026-01-21T12:38:02Z)
• InfoCom: Kilobyte-Scale Communication-Efficient Collaborative Perception with Information Bottleneck [14.691852809650323]
  InfoComは、コミュニケーション効率の良い協調知覚の先駆的な理論基盤を確立する情報認識フレームワークである。 複数のデータセットにわたる実験によると、InfoComは、通信オーバーヘッドをメガバイトからキロバイトスケールに削減し、Where2commとERMVPと比較して、エージェント毎の440倍と90倍の削減を実現している。
  論文  参考訳（メタデータ） (2025-12-11T05:51:02Z)
• Generative Feature Imputing - A Technique for Error-resilient Semantic Communication [46.46641562787869]
  本稿では,3つの鍵となる手法を取り入れた,生成的特徴インパッシング(generative feature imputing)という新しい枠組みを提案する。 まず,チャネルマッピングに基づいて特徴要素を符号化することで特徴歪みを空間的に集中する空間誤差集中パケット化手法を提案する。 第2に,パケット損失による欠落した特徴を効率的に再構築する拡散モデルを用いた生成的特徴量計算手法を提案する。 第3に,各パケットのセマンティックな重要性に応じて送信電力を割り当てることで,不等なエラー保護を可能にするセマンティック・アウェア・パワー・アロケーション・スキームを開発する。
  論文  参考訳（メタデータ） (2025-08-25T12:19:48Z)
• Conquering High Packet-Loss Erasure: MoE Swin Transformer-Based Video Semantic Communication [11.845717685362814]
  本稿では,パケットロス耐性 MoE Swin Transformer-based Video Semantic Communication (MSTVSC) システムを提案する。 本稿では,パケットロス耐性のMoE Swin Transformerを用いたビデオセマンティック通信(MSTVSC)システムを提案する。
  論文  参考訳（メタデータ） (2025-08-02T05:41:52Z)
• Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
  本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。 圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。 その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-03-17T08:37:22Z)
• Towards Accurate Quantization and Pruning via Data-free Knowledge Transfer [61.85316480370141]
  我々は、訓練された大規模ネットワークからコンパクトネットワークへの知識の伝達により、データフリーな量子化とプルーニングを研究する。 データフリーなコンパクトネットワークは、トレーニングデータで訓練され、微調整されたネットワークに対して、競争精度を達成する。
  論文  参考訳（メタデータ） (2020-10-14T18:02:55Z)

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。