論文の概要: DLWM: Dual Latent World Models enable Holistic Gaussian-centric Pre-training in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2604.00969v1
• Date: Wed, 01 Apr 2026 14:41:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.038107
• Title: DLWM: Dual Latent World Models enable Holistic Gaussian-centric Pre-training in Autonomous Driving
• Title（参考訳）: DLWM:デュアルラテント世界モデルにより、自律運転におけるホロスティックガウス中心の事前訓練が可能に
• Authors: Yiyao Zhu, Ying Xue, Haiming Zhang, Guangfeng Jiang, Wending Zhou, Xu Yan, Jiantao Gao, Yingjie Cai, Bingbing Liu, Zhen Li, Shaojie Shen,
• Abstract要約: 本稿では、自律運転における総合的なガウス中心の事前訓練を可能にするために、Dual Latent World Models (DLWM)を導入する。 DLWMはガウス中心の3D占有感, 4D占有予測, 運動計画タスクにおいて, 顕著なパフォーマンス向上を示した。
• 参考スコア（独自算出の注目度）: 38.70192762168167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based autonomous driving has gained much attention due to its low costs and excellent performance. Compared with dense BEV (Bird's Eye View) or sparse query models, Gaussian-centric method is a comprehensive yet sparse representation by describing scene with 3D semantic Gaussians. In this paper, we introduce DLWM, a novel paradigm with Dual Latent World Models specifically designed to enable holistic gaussian-centric pre-training in autonomous driving using two stages. In the first stage, DLWM predicts 3D Gaussians from queries by self-supervised reconstructing multi-view semantic and depth images. Equipped with fine-grained contextual features, in the second stage, two latent world models are trained separately for temporal feature learning, including Gaussian-flow-guided latent prediction for downstream occupancy perception and forecasting tasks, and ego-planning-guided latent prediction for motion planning. Extensive experiments in SurroundOcc and nuScenes benchmarks demonstrate that DLWM shows significant performance gains across Gaussian-centric 3D occupancy perception, 4D occupancy forecasting and motion planning tasks.
• Abstract（参考訳）: ビジョンベースの自動運転は、低コストと優れた性能のために多くの注目を集めている。 密度の高いBEV(Bird's Eye View)やスパースクエリモデルと比較して、ガウス中心の手法は3Dセマンティックガウスのシーンを記述することで、包括的かつスパースな表現である。 本稿では,2段階の自律運転において,総合的なガウス中心の事前訓練を可能にするために,Dual Latent World Modelsを用いた新しいパラダイムであるDLWMを紹介する。 最初の段階では、DLWMは、多視点セマンティック画像と深度画像の自己教師による再構成により、クエリから3Dガウスを予測する。 第2段階では2つの潜在世界モデルが時間的特徴学習のために個別に訓練され、ガウス流誘導潜時予測は下流占領感と予測タスク、エゴ計画誘導潜時予測は運動計画のためのものである。 SurroundOcc と nuScenes ベンチマークの大規模な実験により、DLWM はガウス中心の 3D 占有感、4D 占有予測、動き計画タスクにおいて大きなパフォーマンス向上を示した。

関連論文リスト

• ShelfGaussian: Shelf-Supervised Open-Vocabulary Gaussian-based 3D Scene Understanding [7.610505486431266]
  オープンボキャブラリ型多モードガウス型3Dシーン理解フレームワークであるShelfGaussianについて紹介する。 既存の手法は、オブジェクトをアノテーション付き3Dラベルで教師される閉集合意味ガウスとしてモデル化し、そのレンダリング能力を無視したり、純粋に2Dの自己スーパービジョンを通じてオープンセットガウス表現を学習する。
  論文  参考訳（メタデータ） (2025-12-03T02:06:09Z)
• ODG: Occupancy Prediction Using Dual Gaussians [38.9869091446875]
  活動予測は周囲環境のカメラ画像から微細な3次元形状と意味を推定する。 既存の方法は、シーン表現として高密度グリッドを採用するか、単一のスパースクエリを使用してシーン全体を学習する。 複雑なシーンダイナミクスを効果的に捉えるために,階層的な二重スパースガウス表現であるODGを提案する。
  論文  参考訳（メタデータ） (2025-06-11T06:03:03Z)
• MinkOcc: Towards real-time label-efficient semantic occupancy prediction [8.239334282982623]
  MinkOccはカメラとLiDARのためのマルチモーダルな3Dセマンティック占有予測フレームワークである。 競争精度を維持しつつ、手動ラベリングへの依存を90%削減する。 我々は、MinkOccをキュレートされたデータセットを超えて拡張することを目指しており、自動運転における3Dセマンティック占有率予測のより広範な現実的な展開を可能にしている。
  論文  参考訳（メタデータ） (2025-04-03T04:31:56Z)
• LargeAD: Large-Scale Cross-Sensor Data Pretraining for Autonomous Driving [88.85002707211777]
  LargeADは多用途でスケーラブルなフレームワークで、さまざまな現実世界の運転データセットにわたる大規模3D事前トレーニング用に設計されている。 我々のフレームワークはVFMを利用して2次元画像から意味的にリッチなスーパーピクセルを抽出する。 このアライメントは、クロスモーダルな表現学習を促進し、2Dデータと3Dデータのセマンティック一貫性を高める。
  論文  参考訳（メタデータ） (2025-01-07T18:59:59Z)
• Binocular-Guided 3D Gaussian Splatting with View Consistency for Sparse View Synthesis [53.702118455883095]
  本稿では,ガウススプラッティングを用いたスパースビューから新しいビューを合成する新しい手法を提案する。 私たちのキーとなるアイデアは、両眼画像間の両眼立体的一貫性に固有の自己超越を探索することにあります。 我々の手法は最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T15:10:27Z)
• BEVWorld: A Multimodal World Simulator for Autonomous Driving via Scene-Level BEV Latents [56.33989853438012]
  BEVWorldは,マルチモーダルセンサ入力を統一的でコンパクトなBird's Eye View潜在空間に変換し,全体的環境モデリングを行うフレームワークである。 提案する世界モデルは,多モードトークン化器と遅延BEVシーケンス拡散モデルという2つの主要成分から構成される。
  論文  参考訳（メタデータ） (2024-07-08T07:26:08Z)

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。