論文の概要: NeuroLiDAR: Adaptive Frame Rate Depth Sensing via Neuromorphic Event-LiDAR Fusion

• arxiv url: http://arxiv.org/abs/2605.16805v1
• Date: Sat, 16 May 2026 04:21:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.093278
• Title: NeuroLiDAR: Adaptive Frame Rate Depth Sensing via Neuromorphic Event-LiDAR Fusion
• Title（参考訳）: NeuroLiDAR:ニューロモルフィックイベント-LiDAR融合による適応フレームレート深さ検出
• Authors: Darshana Rathnayake, Dulanga Weerakoon, Meera Radhakrishnan, Archan Misra,
• Abstract要約: 適応型深度検知フレームワークであるNeuroLiDARは,最大で66Hzのフレームレートを実現する。 我々は,NeuroLiDARが27.8～47.3Hzの適応フレームレートを実現しつつ,RMSEの深さ再構成誤差を$approx$29%削減することを示した。
• 参考スコア（独自算出の注目度）: 2.9530687197532504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDARs are widely used for 3D depth reconstruction, but their performance is often limited by inherent hardware constraints that impose trade-offs between range, spatial resolution, and frame rate. Many LiDAR systems typically operate at low frame rates (e.g., 5-10 Hz), prioritizing long-range sensing over responsiveness to rapid scene changes. We present NeuroLiDAR, an adaptive depth sensing framework that achieves effective frame rates of up to $\approx$66 Hz by fusing temporally sparse LiDAR data with temporally dense inputs from neuromorphic event cameras. NeuroLiDAR integrates two components: event-based keyframe detection and event-guided depth extrapolation, to dynamically adjust the sensing rate in response to scene dynamics. To evaluate our approach, we introduce ELiDAR, a dataset spanning outdoor and indoor scenarios, and show that NeuroLiDAR reduces depth reconstruction error by $\approx$29\% in RMSE while achieving adaptive frame rates between 27.8-47.3 Hz. Our code and dataset are available at https://github.com/darshanakgr/neurolidar.
• Abstract（参考訳）: LiDARは3次元深度再構成に広く用いられているが、その性能は、範囲、空間解像度、フレームレートのトレードオフを課す固有のハードウェア制約によって制限されることが多い。 多くのLiDARシステムは一般的に低フレームレート(例えば5-10Hz)で動作し、迅速なシーン変化に対する応答性よりも長距離センシングを優先する。 我々は,時間的に疎いLiDARデータを時間的に高密度なイベントカメラから入力することで,最大66Hzのフレームレートを実現する適応型深度センシングフレームワークであるNeuroLiDARを提案する。 NeuroLiDARは、イベントベースのキーフレーム検出とイベント誘導深度外挿という2つのコンポーネントを統合する。 提案手法を評価するために,屋外シナリオと屋内シナリオにまたがるデータセットであるELiDARを導入し,NeuroLiDARが27.8～47.3Hzの適応フレームレートを実現しつつ,RMSEの深さ再構成誤差を$$$29\%削減することを示した。 私たちのコードとデータセットはhttps://github.com/darshanakgr/neurolidar.comで公開されています。

関連論文リスト

• Neural-MMGS: Multi-modal Neural Gaussian Splats for Large-Scale Scene Reconstruction [7.923706570755559]
  マルチモーダルな大規模シーン再構築のためのフレームワークであるNeural-MMGSを提案する。 私たちのアプローチは、イメージ、LiDAR、セマンティクスといったすべてのモダリティを、コンパクトで学習可能な埋め込みに融合させます。 我々は,このフレームワークをオックスフォード・スパイアとKITTI-360データセット上で評価した。
  論文  参考訳（メタデータ） (2025-09-22T13:24:58Z)
• Prompting Depth Anything for 4K Resolution Accurate Metric Depth Estimation [108.04354143020886]
  本稿では、深度基礎モデルにプロンプトを導入し、Prompt Depth Anythingと呼ばれる計量深度推定のための新しいパラダイムを作成する。 低コストのLiDARを用いて、Depth Anythingモデルによる正確なメートル法深度出力を導出し、最大4K解像度を達成する。
  論文  参考訳（メタデータ） (2024-12-18T16:32:12Z)
• 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)
• Instant Domain Augmentation for LiDAR Semantic Segmentation [10.250046817380458]
  本稿では「LiDomAug」と呼ばれるセマンティックセグメンテーションタスクのための高速で柔軟なLiDAR拡張手法を提案する。 当社のオンデマンド拡張モジュールは330 FPSで動作するので、学習フレームワークのデータローダにシームレスに統合することができます。
  論文  参考訳（メタデータ） (2023-03-25T06:59:12Z)
• Optical flow estimation from event-based cameras and spiking neural networks [0.4899818550820575]
  イベントベースセンサーはスパイキングニューラルネットワーク(SNN)に最適である 教師付きトレーニング後,高密度光フロー推定が可能なU-NetライクなSNNを提案する。 分離可能な畳み込みにより、我々は、合理的に正確な光フロー推定が得られる光モデルを開発することができた。
  論文  参考訳（メタデータ） (2023-02-13T16:17:54Z)
• StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
  ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。 現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。 本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
  論文  参考訳（メタデータ） (2020-11-12T14:57:44Z)

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。