論文の概要: LIORNet: Self-Supervised LiDAR Snow Removal Framework for Autonomous Driving under Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2603.19936v1
• Date: Fri, 20 Mar 2026 13:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.153787
• Title: LIORNet: Self-Supervised LiDAR Snow Removal Framework for Autonomous Driving under Adverse Weather Conditions
• Title（参考訳）: LIORNet: 逆気象下における自律運転のための自己監督型LiDAR除雪フレームワーク
• Authors: Ji-il Park, Inwook Shim,
• Abstract要約: LIORNetはU-Net++のバックボーン上に構築されており、擬似ラベルでガイドされる自己教師型学習戦略を採用している。 この設計により、LIORNetは手動のアノテーションを必要とせず、環境構造とノイズポイントを区別することができる。 これらの結果から,LIORNetは,過酷な天候下でのLiDAR認識のための実用的で堅牢なソリューションであり,自律走行システムへのリアルタイム展開の可能性が強いことが示唆された。
• 参考スコア（独自算出の注目度）: 2.66418345185993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR sensors provide high-resolution 3D perception and long-range detection, making them indispensable for autonomous driving and robotics. However, their performance significantly degrades under adverse weather conditions such as snow, rain, and fog, where spurious noise points dominate the point cloud and lead to false perception. To address this problem, various approaches have been proposed: distance-based filters exploiting spatial sparsity, intensity-based filters leveraging reflectance distributions, and learning-based methods that adapt to complex environments. Nevertheless, distance-based methods struggle to distinguish valid object points from noise, intensity-based methods often rely on fixed thresholds that lack adaptability to changing conditions, and learning-based methods suffer from the high cost of annotation, limited generalization, and computational overhead. In this study, we propose LIORNet, which eliminates these drawbacks and integrates the strengths of all three paradigms. LIORNet is built upon a U-Net++ backbone and employs a self-supervised learning strategy guided by pseudo-labels generated from multiple physical and statistical cues, including range-dependent intensity thresholds, snow reflectivity, point sparsity, and sensing range constraints. This design enables LIORNet to distinguish noise points from environmental structures without requiring manual annotations, thereby overcoming the difficulty of snow labeling and the limitations of single-principle approaches. Extensive experiments on the WADS and CADC datasets demonstrate that LIORNet outperforms state-of-the-art filtering algorithms in both accuracy and runtime while preserving critical environmental features. These results highlight LIORNet as a practical and robust solution for LiDAR perception in extreme weather, with strong potential for real-time deployment in autonomous driving systems.
• Abstract（参考訳）: LiDARセンサーは高解像度の3D認識と長距離検出を提供しており、自律走行とロボット工学には不可欠である。 しかし、その性能は雪、雨、霧などの悪天候下で著しく低下し、突発的なノイズポイントが点雲を支配し、誤認識を引き起こす。 この問題に対処するために,空間空間の空間空間性を利用した距離ベースフィルタ,反射率分布を利用した強度ベースフィルタ,複雑な環境に適応する学習ベースフィルタなど,様々な手法が提案されている。 それでも、距離ベースの手法は、有効な対象点とノイズを区別するのに苦労し、強度ベースの手法は、条件の変化への適応性に欠ける固定しきい値に依存し、学習ベースの手法は、高コストのアノテーション、限定的な一般化、計算オーバーヘッドに悩まされる。 本研究では,これらの欠点を解消し,これら3つのパラダイムの長所を統合するLIORNetを提案する。 LIORNetはU-Net++のバックボーン上に構築されており、レンジ依存の強度閾値、雪の反射率、点間隔、センシング範囲制約を含む、複数の物理的および統計的な手がかりから生成された擬似ラベルによって導かれる自己教師付き学習戦略を採用している。 この設計により、LIORNetは、手動のアノテーションを必要とせずに、騒音点と環境構造を区別することができ、雪のラベル付けの難しさと単元的アプローチの限界を克服することができる。 WADSとCADCデータセットに関する大規模な実験は、LIORNetが重要な環境特性を保持しながら、精度と実行時間の両方で最先端のフィルタリングアルゴリズムより優れていることを示した。 これらの結果から,LIORNetは,過酷な天候下でのLiDAR認識のための実用的で堅牢なソリューションであり,自律走行システムへのリアルタイム展開の可能性が強いことが示唆された。

関連論文リスト

• Adaptive Dual-Weighted Gravitational Point Cloud Denoising Method [10.397999108705962]
  本稿では, 適応二重重力に基づく点雲デノナイジング法を提案する。 F1、PSNR、Chamfer Distanceの様々なノイズ条件における一貫した改善を実現している。 また、シングルフレーム処理時間を短縮し、マルチノイズシナリオにおける高い精度、堅牢性、リアルタイムパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-12-11T07:49:28Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
  我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-06-10T16:48:27Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• DiffSSC: Semantic LiDAR Scan Completion using Denoising Diffusion Probabilistic Models [18.342569823885864]
  3D LiDARセンサーは、車両の周囲の粗い点雲を捉えるために広く使われている。 このようなシステムは、これらの点雲の空白さと意味論の欠如により、隠蔽された領域と風景の隙間を知覚するのに苦労する。 我々は、より完全なシーン表現を目指して、生のLiDAR測定で得られたシーンにおける観測されていない幾何学と意味を共同で予測する。 我々は、自律運転データセットに対する我々のアプローチを評価し、SSCの最先端性能を達成し、既存のほとんどの手法を上回ります。
  論文  参考訳（メタデータ） (2024-09-26T17:39:05Z)
• DMNR: Unsupervised De-noising of Point Clouds Corrupted by Airborne Particles [1.8358940907308805]
  我々は,動的マルチスレッドノイズ除去 (DMNR) と DMNR-H という2つの動的フィルタリング手法を開発した。 DMNRとDMNR-Hはどちらも2つのデータセットで有意な差で最先端の教師なし手法より優れている。 我々の手法は、雪や霧のような様々なLiDARセンサーや空中に浮かぶ粒子に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-05-10T08:58:54Z)
• 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。