論文の概要: AutoAWG: Adverse Weather Generation with Adaptive Multi-Controls for Automotive Videos

• arxiv url: http://arxiv.org/abs/2604.18993v1
• Date: Tue, 21 Apr 2026 02:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.576432
• Title: AutoAWG: Adverse Weather Generation with Adaptive Multi-Controls for Automotive Videos
• Title（参考訳）: AutoAWG: 自動車ビデオ用適応多輪車を用いた逆風発生
• Authors: Jiagao Hu, Daiguo Zhou, Danzhen Fu, Fuhao Li, Zepeng Wang, Fei Wang, Wenhua Liao, Jiayi Xie, Haiyang Sun,
• Abstract要約: 本稿では,自律運転のための制御可能な逆気象映像生成フレームワークAutoAWGを提案する。 本手法では,高度気象のスタイリゼーションと安全臨界目標の高忠実度保存のバランスをとるために,複数の制御のセマンティクス誘導型適応融合を用いる。 その結果,スタイルの忠実度,時間的整合性,意味的構造的整合性の利点が示された。
• 参考スコア（独自算出の注目度）: 7.720806181437183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perception robustness under adverse weather remains a critical challenge for autonomous driving, with the core bottleneck being the scarcity of real-world video data in adverse weather. Existing weather generation approaches struggle to balance visual quality and annotation reusability. We present AutoAWG, a controllable Adverse Weather video Generation framework for Autonomous driving. Our method employs a semantics-guided adaptive fusion of multiple controls to balance strong weather stylization with high-fidelity preservation of safety-critical targets; leverages a vanishing point-anchored temporal synthesis strategy to construct training sequences from static images, thereby reducing reliance on synthetic data; and adopts masked training to enhance long-horizon generation stability. On the nuScenes validation set, AutoAWG significantly outperforms prior state-of-the-art methods: without first-frame conditioning, FID and FVD are relatively reduced by 50.0% and 16.1%; with first-frame conditioning, they are further reduced by 8.7% and 7.2%, respectively. Extensive qualitative and quantitative results demonstrate advantages in style fidelity, temporal consistency, and semantic--structural integrity, underscoring the practical value of AutoAWG for improving downstream perception in autonomous driving. Our code is available at: https://github.com/higherhu/AutoAWG
• Abstract（参考訳）: 悪天候下での認識の堅牢性は、自動運転車にとって重要な課題であり、中核となるボトルネックは、悪天候下での現実世界のビデオデータの不足である。 既存の天気予報手法は、視覚的品質とアノテーションの再利用性のバランスをとるのに苦労している。 本稿では,自律運転のための制御可能な逆気象映像生成フレームワークAutoAWGを提案する。 提案手法では,高度気象のスタイリゼーションと安全クリティカルな目標の高忠実度保存のバランスをとるために,複数の制御のセマンティクス誘導型適応融合を用いて,静的画像からトレーニングシーケンスを構築するための点アンコール時間合成戦略を駆使し,合成データへの依存を低減し,マスク付きトレーニングを採用し,長軸生成安定性を向上させる。 nuScenes の検証セットでは、AutoAWG は最先端の手法を著しく上回り、第一フレームの条件付けがなければ FID と FVD は 50.0% と 16.1% に減少し、第一フレームの条件付けでは、それぞれ 8.7% と 7.2% に減少する。 大規模定性的および定量的な結果は、自律運転における下流認識を改善するためのAutoAWGの実践的価値を強調し、スタイルの忠実さ、時間的一貫性、意味的構造的整合性の利点を示す。 私たちのコードは、https://github.com/higherhu/AutoAWGで利用可能です。

関連論文リスト

• FAR-Drive: Frame-AutoRegressive Video Generation in Closed-Loop Autonomous Driving [11.275815014211046]
  自律運転のための学習ベースのクローズドループシミュレータの構築は、3つの大きな課題を提起する。 長期の時間的・横断的な一貫性、反復的自己条件下での自己回帰劣化の緩和、低遅延推論制約を満たす。 自動運転のためのフレームレベル自動回帰ビデオ生成フレームワークであるFAR-Driveを提案する。
  論文  参考訳（メタデータ） (2026-03-16T07:40:13Z)
• InstaDrive: Instance-Aware Driving World Models for Realistic and Consistent Video Generation [53.47253633654885]
  InstaDriveは、2つの重要な進歩を通じてビデオリアリズムを促進する新しいフレームワークである。 これらのインスタンス認識機構を組み込むことで、InstaDriveは最先端のビデオ生成品質を実現する。 私たちのプロジェクトページはhttps://shanpoyang654.io/InstaDrive/page.htmlです。
  論文  参考訳（メタデータ） (2026-02-03T08:22:13Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Enhanced Drift-Aware Computer Vision Architecture for Autonomous Driving [0.0]
  本研究では,道路環境から数千もの合成画像データを用いて学習し,未知の漂流環境におけるロバスト性を向上させるハイブリッドコンピュータビジョンアーキテクチャを提案する。 このシステムは,ドリフト拡大道路画像を用いた場合,連続して機能し,検出精度を90%以上向上した。
  論文  参考訳（メタデータ） (2025-08-25T12:43:29Z)
• Edge AI-Powered Real-Time Decision-Making for Autonomous Vehicles in Adverse Weather Conditions [0.0]
  従来のクラウドベースのAIシステムは通信遅延を導入し、リアルタイムの自律ナビゲーションには適さない。 本稿では,悪天候下でのAV応答性向上を目的とした,エッジAIによるリアルタイム意思決定フレームワークを提案する。 ネットワークエッジでデータを処理することにより、AV適応性を改善しながら決定遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2025-03-12T02:02:05Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• Real-Time Environment Condition Classification for Autonomous Vehicles [3.8514288339458718]
  我々は、屋外の天気と危険な道路状況を特定するために、ディープラーニングモデルを訓練する。 我々は、最先端の悪天候データセットに改良された分類とラベル階層を導入することで、これを実現する。 我々は、単一のRGBフレームから環境条件を分類するためのディープラーニングモデルであるRECNetを訓練する。
  論文  参考訳（メタデータ） (2024-05-29T17:29:55Z)
• What Matters to Enhance Traffic Rule Compliance of Imitation Learning for End-to-End Autonomous Driving [10.191916541924813]
  そこで我々は,P-CSGを提案する。P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG。 本稿では,赤信号,停止標識,曲率速度ペナルティという3つの罰則を導入し,エージェントが交通規則に敏感になるようにした。 FGSMやDot攻撃などの敵攻撃に対するロバストネス評価を行ったところ,他のベースラインモデルと比較してロバストネスが著しく増加した。
  論文  参考訳（メタデータ） (2023-09-14T15:54:56Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)

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。