論文の概要: RaUF: Learning the Spatial Uncertainty Field of Radar

• arxiv url: http://arxiv.org/abs/2603.01026v1
• Date: Sun, 01 Mar 2026 10:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.469312
• Title: RaUF: Learning the Spatial Uncertainty Field of Radar
• Title（参考訳）: RaUF: レーダーの空間的不確かさを学習する
• Abstract要約: ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
• 参考スコア（独自算出の注目度）: 2.6853734738584047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millimeter-wave radar offers unique advantages in adverse weather but suffers from low spatial fidelity, severe azimuth ambiguity, and clutter-induced spurious returns. Existing methods mainly focus on improving spatial perception effectiveness via coarse-to-fine cross-modal supervision, yet often overlook the ambiguous feature-to-label mapping, which may lead to ill-posed geometric inference and pose fundamental challenges to downstream perception tasks. In this work, we propose RaUF, a spatial uncertainty field learning framework that models radar measurements through their physically grounded anisotropic properties. To resolve conflicting feature-to-label mapping, we design an anisotropic probabilistic model that learns fine-grained uncertainty. To further enhance reliability, we propose a Bidirectional Domain Attention mechanism that exploits the mutual complementarity between spatial structure and Doppler consistency, effectively suppressing spurious or multipath-induced reflections. Extensive experiments on public benchmarks and real-world datasets demonstrate that RaUF delivers highly reliable spatial detections with well-calibrated uncertainty. Moreover, downstream case studies further validate the enhanced reliability and scalability of RaUF under challenging real-world driving scenarios.
• Abstract（参考訳）: ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 既存の手法は主に、粗い相互モーダル監視による空間知覚効率の改善に重点を置いているが、しばしば不明瞭な特徴-ラベルマッピングを見落とし、不適切な幾何学的推論をもたらし、下流の知覚タスクに根本的な課題を生じさせる可能性がある。 本研究では,レーダ計測を物理的に基底とした異方性特性を用いてモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。 さらに信頼性を高めるために,空間構造とドップラー整合性の相互相補性を活かし,スプリアス反射やマルチパス反射を効果的に抑制する双方向ドメイン注意機構を提案する。 公開ベンチマークと実世界のデータセットに関する大規模な実験は、RaUFが信頼性の高い空間検出を、よく校正された不確実性で提供することを示した。 さらに、下流ケーススタディでは、現実の運転シナリオにおいて、RaUFの信頼性と拡張性をさらに検証している。

関連論文リスト

• Estimating Semantic Ambiguity via Gaussian Context Distributions for VLM-Driven Traversability Analysis [14.31446990918297]
  本稿では、文脈の不確実性を明示的にモデル化した、視覚に基づくトラバーサビリティ推定のための新しいパイプラインを提案する。 提案手法では,概念アンチョリングを用いて,開語彙VLM予測を連続的物理的トラバーサビリティ尺度上に構築する。 分布の統計的性質に基づいて,高密度トラバーサビリティマップと高密度不確実性マップの両方を導出する。
  論文  参考訳（メタデータ） (2026-09-08T11:18:32Z)
• Visualizing Uncertainty: Spatial Maps of Missing and Conflicting Evidence in Deep Learning [11.34107841759186]
  本稿では,Evidential Deep Learning(EDL)とFullGrad(FullGrad)を組み合わせた新しい可視化フレームワークUncertainty Activation Map(UAM)を提案する。 我々のアプローチは、空白、証拠の欠如、不協和の2つの基本的なタイプの不確実性、競合する仮説間の矛盾する証拠の捕獲を区別する。 この枠組みにより、空きと不協和の活性化マップは、信念を重み付けした属性の計算によって生成され、モデルが知識を欠いている場所と曖昧な証拠に遭遇している場所を識別することができる。
  論文  参考訳（メタデータ） (2026-06-14T12:06:01Z)
• High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
  スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。 固定復号器用の潜時空間スピングラス辞書を定式化する。 トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-05-23T06:17:23Z)
• Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference [0.29165586612027233]
  リモートセンシングデータからの迅速かつ正確な洪水範囲マッピングは, 災害対応に不可欠である。 標準的なディープラーニングモデルは、水文学的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。 本研究では,地球観測に特化した新しい不確実性対応PINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T18:14:17Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Geometrically-Constrained Radar-Inertial Odometry via Continuous Point-Pose Uncertainty Modeling [12.035776515559855]
  本稿では,幾何学的に制約されたレーダー慣性オドメトリーとマッピングを紹介する。 任意のタイムスタンプにおけるポーズの不確実性を推定するために,連続軌道モデルを用いる。 レーダマッピングにおける量的不確実性を活用することにより,不正確なレーダ測定による計測精度を向上させる高忠実度マップを構築する。
  論文  参考訳（メタデータ） (2026-04-03T05:37:56Z)
• Multi Modal Attention Networks with Uncertainty Quantification for Automated Concrete Bridge Deck Delamination Detection [5.586191108738563]
  本稿では,レーダ時空間パターンと熱空間シグネチャを併用したマルチモーダルアテンションネットワークを提案する。 本アーキテクチャでは,レーダ処理の時間的注意,熱的特徴の空間的注意,学習可能な埋め込みによるクロスモーダル融合を導入し,個々のセンサに見えない相補的欠陥パターンを発見する。
  論文  参考訳（メタデータ） (2025-12-23T07:16:18Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference [9.753644414327225]
  空間領域における因果推論は、未測定の空間要因と近くの治療からの干渉の2つの相反する課題に直面している。 本研究では,局所的な治療ベクトルから代用共同創設者を再構築する2段階の手法である空間的共同ファウンダーを提案する。 この手法により、弱い仮定の下で直接と効果の両方を非パラメトリックに識別できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:28:18Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning [26.369237406972577]
  視覚中心のセマンティック占有予測は、自律運転において重要な役割を果たす。 カメラからのセマンティック占有率を予測するための信頼性を探求する研究は、まだ少ない。 本稿では,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。
  論文  参考訳（メタデータ） (2024-09-26T16:33:16Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Reinforcement Learning for SAR View Angle Inversion with Differentiable SAR Renderer [7.112962861847319]
  本研究の目的は,合成開口レーダ(SAR)画像における目標モデルによるレーダー視角の反転である。 エージェントと環境との相互作用を容易にするために、微分可能SARレンダリング(DSR)という電磁シミュレータが組み込まれている。
  論文  参考訳（メタデータ） (2024-01-02T11:47:58Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)

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。