論文の概要: UniDA3D: A Unified Domain-Adaptive Framework for Multi-View 3D Object Detection

• arxiv url: http://arxiv.org/abs/2603.27995v1
• Date: Mon, 30 Mar 2026 03:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.212772
• Title: UniDA3D: A Unified Domain-Adaptive Framework for Multi-View 3D Object Detection
• Title（参考訳）: UniDA3D:マルチビュー3Dオブジェクト検出のための統一ドメイン適応フレームワーク
• Authors: Hongjing Wu, Cheng Chi, Jinlin Wu, Yanzhao Su, Zhen Lei, Wenqi Ren,
• Abstract要約: カメラのみの3Dオブジェクト検出は自動運転にとって重要であり、LiDARベースの方法に代わる費用対効果を提供する。 既存の手法は、夜間、霧、雨などの複雑な環境条件下では大きな性能劣化を経験することが多い。 種々の有害条件下での堅牢な認識を目的としたドメイン適応型多視点3Dオブジェクト検出器UniDA3Dを提案する。
• 参考スコア（独自算出の注目度）: 59.35818507180513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera-only 3D object detection is critical for autonomous driving, offering a cost-effective alternative to LiDAR based methods. In particular, multi-view 3D object detection has emerged as a promising direction due to its balanced trade-off between performance and cost. However, existing methods often suffer significant performance degradation under complex environmental conditions such as nighttime, fog, and rain, primarily due to their reliance on training data collected mostly in ideal conditions. To address this challenge, we propose UniDA3D, a unified domain-adaptive multi-view 3D object detector designed for robust perception under diverse adverse conditions. UniDA3D formulates nighttime, rainy, and foggy scenes as a unified multi target domain adaptation problem and leverages a novel query guided domain discrepancy mitigation (QDDM) module to align object features between source and target domains at both batch and global levels via query-centric adversarial and contrastive learning. Furthermore, we introduce a domain-adaptive teacher student training pipeline with an exponential-moving-average teacher and dynamically updated high-quality pseudo labels to enhance consistency learning and suppress background noise in unlabeled target domains. In contrast to prior approaches that require separate training for each condition, UniDA3D performs a single unified training process across multiple domains, enabling robust all-weather 3D perception. On a synthesized multi-view 3D benchmark constructed by generating nighttime, rainy, and foggy counterparts from nuScenes (nuScenes-Night, nuScenes-Rain, and nuScenes-Haze), UniDA3D consistently outperforms state of-the-art camera-only multi-view 3D detectors under extreme conditions, achieving substantial gains in mAP and NDS while maintaining real-time inference efficiency.
• Abstract（参考訳）: カメラのみの3Dオブジェクト検出は自動運転にとって重要であり、LiDARベースの方法に代わる費用対効果を提供する。 特に、多視点3Dオブジェクト検出は、性能とコストのバランスの取れたトレードオフのため、将来性のある方向として現れている。 しかし, 従来手法では, 夜間, 霧, 雨などの複雑な環境条件下では, 主に理想的な条件で収集したトレーニングデータに依存するため, 顕著な性能劣化がみられがちである。 この課題に対処するために、様々な有害条件下での堅牢な認識を目的としたドメイン適応型多視点3Dオブジェクト検出器UniDA3Dを提案する。 UniDA3Dは、一貫したマルチターゲットドメイン適応問題として、夜間、雨、霧のシーンを定式化し、新しいクエリガイド付きドメイン離散化(QDDM)モジュールを利用して、クエリ中心の対角学習とコントラスト学習を通じて、ソースドメインとターゲットドメインのオブジェクト特徴をバッチレベルとグローバルレベルで整列させる。 さらに、指数関数的な移動平均教師と動的に更新された高品質な擬似ラベルを備えたドメイン適応型教員養成パイプラインを導入し、一貫性学習を強化し、ラベルなし対象ドメインの背景雑音を抑制する。 それぞれの条件に対する個別のトレーニングを必要とする従来のアプローチとは対照的に、UniDA3Dは複数のドメインにまたがる単一の統一的なトレーニングプロセスを実行し、堅牢な全天候の3D知覚を可能にする。 NUScenes-Night, nuScenes-Rain, nuScenes-Hazeから夜間, 雨, 霧を発生させた合成マルチビュー3Dベンチマークにおいて、UniDA3Dは、極端条件下での最先端カメラのみのマルチビュー3D検出器の状態を一貫して上回り、リアルタイム推論効率を維持しつつ、mAPとNDSの大幅な向上を実現している。

関連論文リスト

• One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection [71.78795573911512]
  textbfOneDet3Dは、異なるドメイン間での3D検出に対処する汎用的なワン・ツー・オール・モデルである。 本稿では、データ干渉問題に対処するため、ルーティング機構によって誘導される散乱とコンテキストにおけるドメイン認識を提案する。 完全なスパース構造とアンカーフリーヘッドは、さらに大きなスケールの差のある点雲を収容する。
  論文  参考訳（メタデータ） (2024-11-03T14:21:56Z)
• Diff3DETR:Agent-based Diffusion Model for Semi-supervised 3D Object Detection [33.58208166717537]
  3次元物体検出は3次元シーンの理解に不可欠である。 半教師付き手法の最近の発展は、教師による学習フレームワークを用いて、未ラベルの点群に対する擬似ラベルを生成することにより、この問題を緩和しようとしている。 半教師付き3次元物体検出のためのエージェントベース拡散モデル(Diff3DETR)を提案する。
  論文  参考訳（メタデータ） (2024-08-01T05:04:22Z)
• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• MS3D++: Ensemble of Experts for Multi-Source Unsupervised Domain Adaptation in 3D Object Detection [12.005805403222354]
  未知の領域に3D検出器を配置すると、検出率が70-90%低下することが示されている。 我々は,MS3D++を紹介した。MS3D++は3Dオブジェクト検出において,マルチソースな教師なしドメイン適応のための自己学習フレームワークである。 MS3D++は高品質な擬似ラベルを生成し、3D検出器は様々なライダータイプで高い性能を達成できる。
  論文  参考訳（メタデータ） (2023-08-11T07:56:10Z)
• Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training [57.25828870799331]
  我々は、Mono3D上での教師なしドメイン適応のための新しい自己学習フレームワークSTMono3Dを提案する。 対象ドメイン上で適応的な擬似ラベルを生成するための教師学生パラダイムを開発する。 STMono3Dは、評価されたすべてのデータセットで顕著なパフォーマンスを達成し、KITTI 3Dオブジェクト検出データセットの完全な教師付き結果を超えています。
  論文  参考訳（メタデータ） (2022-04-25T12:23:07Z)

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。