論文の概要: Accurate Surface and Reflectance Modelling from 3D Radar Data with Neural Radiance Fields

• arxiv url: http://arxiv.org/abs/2603.25623v1
• Date: Thu, 26 Mar 2026 16:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.380858
• Title: Accurate Surface and Reflectance Modelling from 3D Radar Data with Neural Radiance Fields
• Title（参考訳）: ニューラルネットワークを用いた3次元レーダデータからの正確な表面・反射率モデリング
• Authors: Judith Treffler, Vladimír Kubelka, Henrik Andreasson, Martin Magnusson,
• Abstract要約: レーダポイント雲からの3次元マッピングのためのニューラル暗黙的アプローチを提案する。 従来のライダーを用いた再構成法と比較して, よりスムーズで高精度な3次元表面再構成法が得られた。
• 参考スコア（独自算出の注目度）: 8.848338996604285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust scene representation is essential for autonomous systems to safely operate in challenging low-visibility environments. Radar has a clear advantage over cameras and lidars in these conditions due to its resilience to environmental factors such as fog, smoke, or dust. However, radar data is inherently sparse and noisy, making reliable 3D surface reconstruction challenging. To address these challenges, we propose a neural implicit approach for 3D mapping from radar point clouds, which jointly models scene geometry and view-dependent radar intensities. Our method leverages a memory-efficient hybrid feature encoding to learn a continuous Signed Distance Field (SDF) for surface reconstruction, while also capturing radar-specific reflective properties. We show that our approach produces smoother, more accurate 3D surface reconstructions compared to existing lidar-based reconstruction methods applied to radar data, and can reconstruct view-dependent radar intensities. We also show that in general, as input point clouds get sparser, neural implicit representations render more faithful surfaces, compared to traditional explicit SDFs and meshing techniques.
• Abstract（参考訳）: ロバストなシーン表現は、自律システムが挑戦的な低可視環境において安全に運用するために不可欠である。 レーダーは、霧、煙、塵などの環境要因に耐性があるため、これらの条件下でカメラやライダーに対して明らかな優位性を持っている。 しかし、レーダーデータは本質的に希少でノイズが多いため、信頼性の高い3次元表面再構成が困難である。 これらの課題に対処するために,レーダー点雲からの3次元マッピングのためのニューラル暗黙的アプローチを提案する。 本手法は, レーダ固有の反射特性を捉えつつ, 連続符号距離場(SDF)を学習するために, メモリ効率のよいハイブリッド特徴符号化を利用する。 提案手法は,レーダデータに適用された既存のライダーベース再構成法と比較してスムーズで高精度な3次元表面再構成を実現し,視界依存型レーダ強度を再構成可能であることを示す。 また、一般に、入力点雲がスペーサーになるにつれて、ニューラルな暗黙表現は従来の明示的なSDFやメッシュ技術と比較して、より忠実な表面を表現していることを示す。

関連論文リスト

• PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
  PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。 本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
  論文  参考訳（メタデータ） (2026-03-11T14:11:42Z)
• Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
  Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。 Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。 Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
  論文  参考訳（メタデータ） (2026-02-10T10:56:47Z)
• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• RadarSplat: Radar Gaussian Splatting for High-Fidelity Data Synthesis and 3D Reconstruction of Autonomous Driving Scenes [8.117954246685976]
  高忠実度3Dシーン再構成は、既存のデータセットから新たなデータ生成を可能にすることで、自動運転において重要な役割を果たす。 レーダーは、雨や霧、雪など、光学センサーがしばしば苦労する悪天候の状況において、頑丈さのために自律運転に不可欠である。 本稿では,ガウススプラッティングと新しいレーダノイズモデリングを統合し,リアルなレーダデータ合成と3次元再構成を実現するRadarSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-02T07:14:27Z)
• RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
  暗い照明や悪天候はカメラの性能を低下させる。 レーダーは騒音と位置のあいまいさに悩まされる。 本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
  論文  参考訳（メタデータ） (2025-02-18T17:17:38Z)
• RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar [15.776076554141687]
  3D占有に基づく知覚パイプラインは、かなり進歩した自律運転を持つ。 現在の方法では、LiDARやカメラの入力を3D占有率予測に頼っている。 本稿では,4次元イメージングレーダセンサを用いた3次元占有予測手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T21:48:17Z)
• Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
  本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。 提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。 本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-07T20:44:48Z)
• Looking Through the Glass: Neural Surface Reconstruction Against High Specular Reflections [72.45512144682554]
  暗黙的ニューラルレンダリングに基づく新しい表面再構成フレームワークNeuS-HSRを提案する。 NeuS-HSRでは、物体表面は暗黙の符号付き距離関数としてパラメータ化される。 我々は、NeuS-HSRが、HSRに対する高精度で堅牢なターゲット表面再構成において、最先端のアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-18T02:34:58Z)

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。