論文の概要: DENALI: A Dataset Enabling Non-Line-of-Sight Spatial Reasoning with Low-Cost LiDARs

• arxiv url: http://arxiv.org/abs/2604.16201v1
• Date: Fri, 17 Apr 2026 16:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.994335
• Title: DENALI: A Dataset Enabling Non-Line-of-Sight Spatial Reasoning with Low-Cost LiDARs
• Title（参考訳）: DENALI:低コストLiDARを用いた非視線空間推論を実現するデータセット
• Authors: Nikhil Behari, Diego Rivero, Luke Apostolides, Suman Ghosh, Paul Pu Liang, Ramesh Raskar,
• Abstract要約: 隠れオブジェクトをキャプチャする低コストLiDARから,空間時間ヒストグラムの大規模な実世界のデータセットであるDENALIを提示する。 消費者のLiDARは、正確なデータ駆動型NLOS知覚を可能にする。
• 参考スコア（独自算出の注目度）: 35.055384675088185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consumer LiDARs in mobile devices and robots typically output a single depth value per pixel. Yet internally, they record full time-resolved histograms containing direct and multi-bounce light returns; these multi-bounce returns encode rich non-line-of-sight (NLOS) cues that can enable perception of hidden objects in a scene. However, severe hardware limitations of consumer LiDARs make NLOS reconstruction with conventional methods difficult. In this work, we motivate a complementary direction: enabling NLOS perception with low-cost LiDARs through data-driven inference. We present DENALI, the first large-scale real-world dataset of space-time histograms from low-cost LiDARs capturing hidden objects. We capture time-resolved LiDAR histograms for 72,000 hidden-object scenes across diverse object shapes, positions, lighting conditions, and spatial resolutions. Using our dataset, we show that consumer LiDARs can enable accurate, data-driven NLOS perception. We further identify key scene and modeling factors that limit performance, as well as simulation-fidelity gaps that hinder current sim-to-real transfer, motivating future work toward scalable NLOS vision with consumer LiDARs.
• Abstract（参考訳）: モバイルデバイスやロボットのLiDARは、一般的に1ピクセルあたりの深度値を出力する。 内部では、直接および多重バウンス光の反射を含む完全な時間分解ヒストグラムを記録しており、このマルチバウンス・リターンは、シーン内の隠れた物体の知覚を可能にするリッチな非視線(NLOS)キューを符号化している。 しかし、コンシューマLiDARのハードウェアの厳しい制限により、従来の方法によるNLOS再構成が困難になる。 本研究では,データ駆動推論による低コストLiDARによるNLOS認識の実現という,補完的な方向性を動機づける。 隠れオブジェクトをキャプチャする低コストLiDARから,空間時間ヒストグラムの大規模な実世界のデータセットであるDENALIを提示する。 時間分解したLiDARヒストグラムを、さまざまな物体形状、位置、照明条件、空間分解能にまたがる72,000の隠蔽物体のシーンで捉えます。 我々のデータセットを用いて、消費者のLiDARが正確なデータ駆動型NLOS知覚を可能にすることを示す。 さらに,現在のシミュレート・トゥ・リアルトランスファーを阻害するシミュレーションと忠実さのギャップを抑える重要なシーンとモデリング要素を同定し,コンシューマLiDARによるスケーラブルなNLOSビジョンに向けた今後の取り組みを動機づける。

関連論文リスト

• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• LiDAR-based Person Re-identification [29.694346498355443]
  本稿では,3次元体形の特徴を抽出するための事前学習戦略を利用するLiDARベースのReIDフレームワークReID3Dを提案する。 我々の知る限り、私たちはLiDARベースのReIDのためのソリューションを最初に提案しました。
  論文  参考訳（メタデータ） (2023-12-05T12:44:17Z)
• Propagate And Calibrate: Real-time Passive Non-line-of-sight Tracking [84.38335117043907]
  本研究では,リレー壁のみを観察することで,見えない部屋を歩いている人を追跡する純粋受動的手法を提案する。 本研究では,リレー壁の映像の非知覚的変化を発掘するため,時間的局所的な動きの伝達に欠かせない特徴として差分フレームを導入する。 提案手法を評価するため,最初の動的受動NLOS追跡データセットであるNLOS-Trackを構築し,公開する。
  論文  参考訳（メタデータ） (2023-03-21T12:18:57Z)
• 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)
• LiDARCap: Long-range Marker-less 3D Human Motion Capture with LiDAR Point Clouds [58.402752909624716]
  既存のモーションキャプチャデータセットはほとんどが短距離であり、まだ長距離アプリケーションのニーズに合わない。 我々は,この制限を克服するために,LiDARがより長い範囲で捉えた新しい人間のモーションキャプチャーデータセットLiDARHuman26Mを提案する。 我々のデータセットには、IMUシステムによって取得された人間の動きと同期RGB画像も含まれている。
  論文  参考訳（メタデータ） (2022-03-28T12:52:45Z)
• Scalable Scene Flow from Point Clouds in the Real World [30.437100097997245]
  オープンデータセットに基づくシーンフローの大規模ベンチマークを新たに導入します。 実際のLiDARデータの量に基づいて、これまでの作業がバウンドされているかを示す。 フルポイントクラウド上でリアルタイム推論を提供するモデルアーキテクチャFastFlow3Dを紹介します。
  論文  参考訳（メタデータ） (2021-03-01T20:56:05Z)

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。