論文の概要: HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation

• arxiv url: http://arxiv.org/abs/2603.10128v1
• Date: Tue, 10 Mar 2026 18:04:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.644402
• Title: HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation
• Title（参考訳）: HG-Lane: 逆気象条件下でのレーンシーンの高忠実度生成と再注釈のない照明条件
• Abstract要約: 悪天候および照明条件下でのレーンシーンの高忠実度生成フレームワークであるHG-Laneを提案する。 実験により,本手法は既存の車線検出ネットワークの性能を継続的に,かつ著しく向上させることを示した。
• 参考スコア（独自算出の注目度）: 11.667208452607959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lane detection is a crucial task in autonomous driving, as it helps ensure the safe operation of vehicles. However, existing datasets such as CULane and TuSimple contain relatively limited data under extreme weather conditions, including rain, snow, and fog. As a result, detection models trained on these datasets often become unreliable in such environments, which may lead to serious safety-critical failures on the road. To address this issue, we propose HG-Lane, a High-fidelity Generation framework for Lane Scenes under adverse weather and lighting conditions without requiring re-annotation. Based on this framework, we further construct a benchmark that includes adverse weather and lighting scenarios, containing 30,000 images. Experimental results demonstrate that our method consistently and significantly improves the performance of existing lane detection networks. For example, using the state-of-the-art CLRNet, the overall mF1 score on our benchmark increases by 20.87 percent. The F1@50 score for the overall, normal, snow, rain, fog, night, and dusk categories increases by 19.75 percent, 8.63 percent, 38.8 percent, 14.96 percent, 26.84 percent, 21.5 percent, and 12.04 percent, respectively. The code and dataset are available at: https://github.com/zdc233/HG-Lane.
• Abstract（参考訳）: 車線検出は自動運転車にとって重要な課題であり、車両の安全な運転を確実にするのに役立つ。 しかし、CULane や TuSimple のような既存のデータセットは、雨、雪、霧などの極端な気象条件下では比較的限られたデータを含んでいる。 その結果、これらのデータセットでトレーニングされた検出モデルは、そのような環境では信頼性が低くなり、道路上で深刻な安全クリティカルな障害が発生する可能性がある。 この問題に対処するため,HG-Laneを提案する。HG-Laneは悪天候および照明条件下でのレーンシーンのための高忠実度生成フレームワークであり,再アノテーションを必要としない。 この枠組みに基づいて,3万枚の画像を含む悪天候と照明シナリオを含むベンチマークを構築した。 実験により,本手法は既存の車線検出ネットワークの性能を継続的に,かつ著しく向上させることを示した。 例えば、最先端のCLRNetを使用することで、ベンチマーク全体のmF1スコアが20.87パーセント向上します。 全体、通常、雪、雨、霧、夜、夕暮れのF1@50スコアは19.75パーセント、8.63パーセント、38.8%、14.96パーセント、26.84パーセント、21.5パーセント、12.04パーセント上昇している。 コードとデータセットは、https://github.com/zdc233/HG-Lane.orgで公開されている。

関連論文リスト

• Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective [76.02772556944073]
  環境錯覚は自然に存在するが、現実の運転環境では見過ごされている現象である。 視覚的知覚を妨害し、シーンの誤解を招き、自動運転システムに深刻な安全リスクをもたらす。 最初のベンチマークであるLanEvil++を導入し、環境錯覚下での車線知覚の堅牢性を評価する。
  論文  参考訳（メタデータ） (2026-07-07T03:15:00Z)
• Performance Analysis of YOLOv11 and YOLOv8 for Mixed Traffic Object Detection under Adverse Weather Conditions in Developing Countries [0.0]
  本研究は, YOLOシリーズの最新版であるYOLOv11 Nanoの総合評価を行う。 我々は,高エントロピーシナリオにおける検出精度,推論速度,計算効率のトレードオフを分析した。 YOLOv11nは平均精度(mAP@50)が46.6%に達し、ベースラインよりも3.2%精度が向上した。
  論文  参考訳（メタデータ） (2026-06-10T13:31:46Z)
• XWOD: A Real-World Benchmark for Object Detection under Extreme Weather Conditions [6.18963763781077]
  XWOD (Extreme Weather Object Detection) は,大規模実世界の交通物体検出ベンチマークである。 データセットには、車、人、トラック、オートバイ、自転車、バスを含む6つの交通対象カテゴリが含まれている。 XWODは、洪水、竜巻、山火事など、気候を増幅する新しい種類のハザードを最初にカバーした。
  論文  参考訳（メタデータ） (2026-05-12T04:46:15Z)
• Quantile-Physics Hybrid Framework for Safe-Speed Recommendation under Diverse Weather Conditions Leveraging Connected Vehicle and Road Weather Information Systems Data [25.57915134826693]
  本研究では,様々な気象条件下での高速道路走行において,リアルタイムの安全速度間隔を推奨するハイブリッド予測フレームワークを提案する。 ニューヨーク州バッファローで73日間に660万以上のレコードを含むデータセットを構築した。 モデルが気象条件の変化に対応し、道路セグメントをまたいで一般化する能力は、現実世界の展開を約束する。
  論文  参考訳（メタデータ） (2026-02-04T21:06:32Z)
• A Robust Real-Time Lane Detection Method with Fog-Enhanced Feature Fusion for Foggy Conditions [21.119783561403093]
  実世界の霧のシナリオで捉えたFogyLaneデータセットを導入し、FogyCULaneとFogyTusimpleという2つの追加データセットを合成する。 我々は,Global Feature Fusion Module (GFFM) を組み込んで,霧画像のグローバルな関係を捉えることにより,車線検出のためのロバストなFog-Enhanced Networkを提案する。 F1スコアはFogyLaneで95.04、FogyCULaneで79.85、FogyTusimpleで96.95である。
  論文  参考訳（メタデータ） (2025-04-08T15:13:01Z)
• Snowy Scenes,Clear Detections: A Robust Model for Traffic Light Detection in Adverse Weather Conditions [5.208045772970408]
  逆天候は、現在の検知システムにとって大きな課題を示し、しばしば失敗と潜在的な安全リスクをもたらす。 本稿では,そのような条件下での物体検出を改善するための新しいフレームワークとパイプラインを提案する。 その結果、平均IoUとF1のスコアは、素早い微調整に比べて40.8%改善した。
  論文  参考訳（メタデータ） (2024-06-19T11:52:12Z)
• LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
  レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。 既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。 本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-03T02:12:27Z)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility [125.77396380698639]
  AVisTは、視認性の悪いさまざまなシナリオにおける視覚的トラッキングのためのベンチマークである。 AVisTは、80kの注釈付きフレームを持つ120の挑戦的なシーケンスで構成されており、18の多様なシナリオにまたがっている。 我々は、属性間でのトラッキング性能を詳細に分析し、AVisTで17の人気のトラッカーと最近のトラッカーをベンチマークした。
  論文  参考訳（メタデータ） (2022-08-14T17:49:37Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。