論文の概要: Generating Roadside LiDAR Datasets from Vehicle-Side Datasets via Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2605.05897v1
• Date: Thu, 07 May 2026 09:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.652748
• Title: Generating Roadside LiDAR Datasets from Vehicle-Side Datasets via Novel View Synthesis
• Title（参考訳）: 新たなビュー合成による道路側LiDARデータセットの生成
• Authors: Yuhan Xia, Runxin Zhao, Hanyang Zhuang, Chunxiang Wang, Ming Yang,
• Abstract要約: 本稿では,新しいビュー合成を通じて車側データセットからラベル付き道路側LiDARデータセットを生成するデータ合成フレームワークであるVaby-to-Roadside LiDAR Synthesis (VRS)を紹介する。 車両と道路の領域ギャップを軽減するために、VRSは車両側の観察で欠落した幾何学を補うために車両点雲の完成度を利用する。 提案フレームワークは,スケーラブルなロードサイドデータ生成のための柔軟なマルチビューレンダリングを実現する。
• 参考スコア（独自算出の注目度）: 14.327452890872188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent Transportation Systems (ITS) require reliable environmental perception to support safe and efficient transportation. With the rapid development of Vehicle-to-everything (V2X), roadside perception has become an effective means to extend sensing coverage and improve traffic safety. However, the scarcity of large-scale annotated roadside LiDAR datasets poses a major challenge for training high-performance roadside perception models. In this paper, we introduce Vehicle-to-Roadside LiDAR Synthesis (VRS), a data synthesis framework that generates labeled roadside LiDAR datasets from vehicle-side datasets via LiDAR novel view synthesis. To mitigate the vehicle-to-roadside domain gap, VRS employs vehicle point cloud completion to compensate for missing geometry in vehicle-side observations, and introduces an occupancy-based visibility constraint to handle large viewpoint changes during cross-view rendering. The proposed framework enables flexible multi-view rendering for scalable roadside data generation. Extensive experiments on roadside 3D object detection demonstrate that the synthesized data effectively complements real roadside data, mitigates the limitations of limited real-world roadside data, and improves generalization to unseen roadside viewpoints.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)は、安全で効率的な輸送を支援するため、信頼性の高い環境認識を必要とする。 車両間通信(V2X)の急速な発展に伴い、道路の認識は検知範囲を拡大し、交通安全を向上させる効果的な手段となっている。 しかし、大規模アノテートされた道路側LiDARデータセットの不足は、高性能道路側知覚モデルをトレーニングする上で大きな課題となる。 本稿では,車側データからラベル付き道路側LiDARデータセットを生成するデータ合成フレームワークであるValby-to-Roadside LiDAR Synthesis (VRS)を紹介する。 車両と道路のドメインギャップを軽減するために、VRSは車両側での観察で欠落した幾何学を補うために車点雲補完を採用し、クロスビューレンダリング中に大きな視点変化を処理するために、占有率に基づく可視性制約を導入している。 提案フレームワークは,スケーラブルなロードサイドデータ生成のための柔軟なマルチビューレンダリングを実現する。 道路側3次元物体検出に関する大規模な実験により、合成されたデータは実際の道路側データを効果的に補完し、限られた現実世界の道路側データの制限を緩和し、道路側視点への一般化を改善することが示されている。

関連論文リスト

• ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
  ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。 提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。 提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
  論文  参考訳（メタデータ） (2026-04-01T16:48:20Z)
• RS2AD: End-to-End Autonomous Driving Data Generation from Roadside Sensor Observations [4.219537240663029]
  道路沿いのセンサ観測から車載LiDARデータを再構成・合成するための新しいフレームワークであるRS2ADを紹介する。 我々の知る限りでは、道路沿いのセンサー入力から車載LiDARデータを再構築する最初のアプローチである。
  論文  参考訳（メタデータ） (2025-03-10T09:08:05Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Advancements in 3D Lane Detection Using LiDAR Point Clouds: From Data Collection to Model Development [10.78971892551972]
  LiSV-3DLaneは大規模な3Dレーンデータセットで、20kフレームのサラウンドビューのLiDAR点雲と豊富なセマンティックアノテーションから構成される。 本稿では,LiDARを用いた新しい3次元車線検出モデルLiLaDetを提案し,LiDAR点雲の空間的幾何学的学習をBird's Eye View (BEV) に基づく車線識別に取り入れた。
  論文  参考訳（メタデータ） (2023-09-24T09:58:49Z)
• LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels [50.40632021583213]
  我々は、危険な位置で物理的に運転することなく、新しい視点からLiDAR点雲を合成することを提案する。 我々は、LiDARスキャンを入力とし、将来の軌跡を出力として予測するディープラーニングモデルを訓練する。 次に、この予測軌道にウェイポイントコントローラを適用して、エゴ車両のスロットルおよびステアリングラベルを決定する。
  論文  参考訳（メタデータ） (2023-08-02T20:46:43Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)

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。