論文の概要: DRUM: Diffusion-based Raydrop-aware Unpaired Mapping for Sim2Real LiDAR Segmentation

• arxiv url: http://arxiv.org/abs/2603.26263v1
• Date: Fri, 27 Mar 2026 10:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.451601
• Title: DRUM: Diffusion-based Raydrop-aware Unpaired Mapping for Sim2Real LiDAR Segmentation
• Title（参考訳）: DRUM:Sim2Real LiDARセグメンテーションのための拡散型レイドロップ対応アンペアマッピング
• Authors: Tomoya Miyawaki, Kazuto Nakashima, Yumi Iwashita, Ryo Kurazume,
• Abstract要約: DRUMはSim2Real翻訳フレームワークである。 ラベルのない実世界のデータに基づいて事前学習した拡散モデルを生成前として活用する。 我々は、入力された合成データとの整合性を選択的に強化するレイドロップ対応マスク誘導機構を導入する。
• 参考スコア（独自算出の注目度）: 3.8498574327875947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR-based semantic segmentation is a key component for autonomous mobile robots, yet large-scale annotation of LiDAR point clouds is prohibitively expensive and time-consuming. Although simulators can provide labeled synthetic data, models trained on synthetic data often underperform on real-world data due to a data-level domain gap. To address this issue, we propose DRUM, a novel Sim2Real translation framework. We leverage a diffusion model pre-trained on unlabeled real-world data as a generative prior and translate synthetic data by reproducing two key measurement characteristics: reflectance intensity and raydrop noise. To improve sample fidelity, we introduce a raydrop-aware masked guidance mechanism that selectively enforces consistency with the input synthetic data while preserving realistic raydrop noise induced by the diffusion prior. Experimental results demonstrate that DRUM consistently improves Sim2Real performance across multiple representations of LiDAR data. The project page is available at https://miya-tomoya.github.io/drum.
• Abstract（参考訳）: LiDARベースのセマンティックセグメンテーションは、自律的な移動ロボットにとって重要なコンポーネントであるが、LiDARポイントクラウドの大規模なアノテーションは、極めて高価で時間を要する。 シミュレーターはラベル付き合成データを提供できるが、合成データで訓練されたモデルは、データレベルのドメインギャップのため、実世界のデータでは性能が劣ることが多い。 そこで本研究では,新しいSim2Real翻訳フレームワークであるDRUMを提案する。 我々は、ラベルのない実世界のデータに基づいて事前学習した拡散モデルを生成前として利用し、反射強度と光線照射ノイズの2つの重要な測定特性を再現して合成データを変換する。 試料の忠実度を向上させるために,拡散前の現実的なレイドロップノイズを保ちつつ,入力合成データとの整合性を選択的に強化するレイドロップ対応マスク誘導機構を導入する。 実験の結果、DRUMはLiDARデータの複数の表現にまたがるSim2Realの性能を一貫して改善することが示された。 プロジェクトのページはhttps://miya-tomoya.github.io/drum.comで公開されている。

関連論文リスト

• DreamMask: Boosting Open-vocabulary Panoptic Segmentation with Synthetic Data [61.62554324594797]
  オープンな語彙設定でトレーニングデータを生成する方法と、実データと合成データの両方でモデルをトレーニングする方法を探索するDreamMaskを提案する。 一般的に、DreamMaskは大規模なトレーニングデータの収集を著しく単純化し、既存のメソッドのプラグイン・アンド・プレイ・エンハンスメントとして機能する。 例えば、COCOで訓練しADE20Kで試験すると、ドリームマスクを装備したモデルは以前の最先端の2.1% mIoUよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-03T19:00:00Z)
• Syn2Real Domain Generalization for Underwater Mine-like Object Detection Using Side-Scan Sonar [1.7851018240619703]
  本稿では,拡散モデルを用いたSyn2Real(Synthetic to Real)領域一般化手法を提案する。 DDPMモデルとDDIMモデルによるノイズによって生成された合成データは、完全に現実的でないとしても、トレーニングのための実世界のサンプルを効果的に増強できることを実証する。
  論文  参考訳（メタデータ） (2024-10-16T18:42:08Z)
• Real-Aug: Realistic Scene Synthesis for LiDAR Augmentation in 3D Object Detection [45.102312149413855]
  生成したデータに対して最大制御性を提供する合成ベースLiDARデータ拡張手法(いわゆるGT-Aug)について検討する。 本稿では,現実的なLiDARスキャンの生成を優先する合成に基づく拡張手法であるReal-Augを提案する。 nuScenes テストセット上で, 最先端の 0.744 NDS と 0.702 mAP を達成する。
  論文  参考訳（メタデータ） (2023-05-22T09:24:55Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
  既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。 我々はFPAレイキャストと代理モデルレイドロップを提案する。 最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。 その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T04:13:21Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)

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。