論文の概要: Physics-Aware Diffusion for LiDAR Point Cloud Densification

• arxiv url: http://arxiv.org/abs/2603.26759v1
• Date: Mon, 23 Mar 2026 16:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.579352
• Title: Physics-Aware Diffusion for LiDAR Point Cloud Densification
• Title（参考訳）: LiDAR点雲密度化のための物理応用拡散
• Authors: Zeping Zhang, Robert Laganière,
• Abstract要約: 本稿では, 密度化を生成ではなく確率的改善として扱う枠組みを提案する。 粗い事前に部分拡散(SDEdit)を利用することで、156msで高忠実度が得られる。 提案手法は,KITTI-360およびnuScenesにおける最先端の成果を達成し,市販の3D検出器を再訓練せずに直接増強する。
• 参考スコア（独自算出の注目度）: 5.4355890334260515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR perception is severely limited by the distance-dependent sparsity of distant objects. While diffusion models can recover dense geometry, they suffer from prohibitive latency and physical hallucinations manifesting as ghost points. We propose Scanline-Consistent Range-Aware Diffusion, a framework that treats densification as probabilistic refinement rather than generation. By leveraging Partial Diffusion (SDEdit) on a coarse prior, we achieve high-fidelity results in just 156ms. Our novel Ray-Consistency loss and Negative Ray Augmentation enforce sensor physics to suppress artifacts. Our method achieves state-of-the-art results on KITTI-360 and nuScenes, directly boosting off-the-shelf 3D detectors without retraining. Code will be made available.
• Abstract（参考訳）: LiDARの知覚は遠く離れた物体の遠距離依存性の空間性によって著しく制限される。 拡散モデルは密度の高い幾何学を回復することができるが、それらはゴーストポイントとして現れる禁断の遅延と物理的幻覚に悩まされる。 Scanline-Consistent Range-Aware Diffusionを提案する。 粗い事前に部分拡散(SDEdit)を利用することで、156msで高忠実度が得られる。 我々の小説『Ray-Consistency Los and Negative Ray Augmentation』は、人工物を抑制するためにセンサー物理を強制する。 提案手法は,KITTI-360およびnuScenesにおける最先端の成果を達成し,市販の3D検出器を再訓練せずに直接増強する。 コードは利用可能になる。

関連論文リスト

• L3DR: 3D-aware LiDAR Diffusion and Rectification [85.5914944339043]
  レンジビュー(RV)に基づくLiDAR拡散は、最近2Dフォトリアリズムに向けて大きな進歩を遂げた。 しかし、3次元幾何学的リアリズムを無視し、深部出血や波状表面といった様々なRVアーティファクトをしばしば生成する。 我々は,3次元空間におけるRVアーティファクトの回帰とキャンセルが可能な,L3DRを3D対応のLiDAR拡散・整流フレームワークとして設計する。
  論文  参考訳（メタデータ） (2026-02-22T06:31:58Z)
• HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
  検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。 標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-02-12T04:21:58Z)
• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• Multi-modal Streaming 3D Object Detection [20.01800869678355]
  本稿では,革新的なカメラ-LiDARストリーミング3Dオブジェクト検出フレームワークを提案する。 過去のLiDARスライスの代わりにカメライメージを使用して、ストリーミング知覚のための最新で高密度で広いコンテキストを提供する。 提案手法は, カメラ画像の欠落, 狭いLiDARスライス, 小型カメラとLiDARの誤校正に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2022-09-12T00:30:52Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Embracing Single Stride 3D Object Detector with Sparse Transformer [63.179720817019096]
  自律走行のためのLiDARを用いた3次元物体検出では、物体サイズと入力シーンサイズとの比が2次元検出の場合に比べて有意に小さい。 多くの3D検出器は2D検出器の一般的な慣習に従っており、点雲の定量化後も特徴マップを分解する。 本稿では,SST(Single-stride Sparse Transformer)を提案する。
  論文  参考訳（メタデータ） (2021-12-13T02:12:02Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• Fooling LiDAR Perception via Adversarial Trajectory Perturbation [13.337443990751495]
  移動車両から集められたLiDARポイント雲は、歪みを避けるためにセンサーの動きを補償する必要があるため、その軌道の機能です。 その結果、深層学習とGPSによる車両軌道推定の両面から、運動補償は広範に開放されたバックドアになるのだろうか? 我々は、初めてこのような可能性を示す: 生のLiDARの読みを改ざんする必要のある点雲座標を直接攻撃するのではなく、小さな摂動で自動運転車の軌道を逆さまに振るだけで十分である。
  論文  参考訳（メタデータ） (2021-03-29T04:34:31Z)

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。