論文の概要: Co-Fusion4D: Spatio-temporal Collaborative Fusion for Robust 3D Object Detection

• arxiv url: http://arxiv.org/abs/2605.20301v1
• Date: Tue, 19 May 2026 12:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.283682
• Title: Co-Fusion4D: Spatio-temporal Collaborative Fusion for Robust 3D Object Detection
• Title（参考訳）: Co-Fusion4D:ロバスト3次元物体検出のための時空間共同融合
• Abstract要約: 3Dオブジェクト検出では、オブジェクトとエゴモーションの不整合はしばしばBEベースの検出器のクロスフレーム不整合である。 クロスフレーム一貫性と時間的ドリフト特徴のドリフトを統一するフレームワークであるCo-Fusion4Dを提案する。 Co-Fusion4Dは、テスト時間拡張や外部データに頼ることなく、74.9%のmAPと75.6%のNDSで最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 11.282817014403198
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In autonomous driving, 3D object detection is essential for accurate perception and reliable decision-making. However, object motion and ego-motion often induce cross-frame spatiotemporal inconsistencies in BEV-based detectors, leading to temporal BEV feature misalignment and degraded spatiotemporal consistency. To address these challenges, we propose Co-Fusion4D, a unified framework that explicitly preserves cross-frame spatiotemporal consistency and suppresses temporal feature drift. Co-Fusion4D adopts a current-frame-centric strategy, treating the current frame as the primary source of information while selectively incorporating historical frames after spatiotemporal filtering and alignment. This dominant-complementary mechanism effectively mitigates cumulative alignment errors, suppresses noisy feature propagation, and exploits reliable temporal cues for a more consistent BEV representation. In addition, Co-Fusion4D integrates a Dual Attention Fusion (DAF) module to further enhance spatiotemporal feature interaction. DAF jointly leverages intra-frame spatial attention and inter-frame temporal attention to adaptively align and fuse multi-frame features, emphasizing motion-consistent regions while suppressing spurious correlations. By departing from conventional uniform fusion paradigms, this design substantially improves the temporal stability and discriminative capability of BEV representations. Extensive experiments on the nuScenes benchmark demonstrate that Co-Fusion4D achieves state-of-the-art performance, with 74.9% mAP and 75.6% NDS, without relying on test-time augmentation or external data.
• Abstract（参考訳）: 自律運転においては、3次元物体検出は正確な認識と信頼性の高い意思決定に不可欠である。 しかしながら、物体の動きとエゴ運動は、しばしばBEVベースの検出器において時間的空間的不整合を引き起こすため、時間的BEVの特徴的不整合と時空間的時間的整合性が低下する。 このような課題に対処するために,クロスフレーム時空間一貫性を明示的に保持し,時間的特徴の漂流を抑制する統合フレームワークであるCo-Fusion4Dを提案する。 Co-Fusion4Dは現在のフレーム中心の戦略を採用し、時空間フィルタリングおよびアライメント後の履歴フレームを選択的に組み込んだまま、現在のフレームを情報の主要なソースとして扱う。 この支配的補完機構は、累積アライメントエラーを効果的に軽減し、ノイズのある特徴伝搬を抑制し、より一貫したBEV表現のための信頼できる時間的手がかりを利用する。 さらに、Co-Fusion4Dは二重注意融合(DAF)モジュールを統合し、時空間的特徴相互作用をさらに強化する。 DAFは、フレーム内の空間的注意とフレーム間の時間的注意を併用して、多フレームの特徴を適応的に整列させ、融合させ、急激な相関を抑えながら、動きに一貫性のある領域を強調する。 従来の均一核融合パラダイムから離れることで、この設計はBEV表現の時間的安定性と識別能力を大幅に改善する。 nuScenesベンチマークの大規模な実験は、Co-Fusion4Dがテスト時間拡張や外部データに頼ることなく、74.9%のmAPと75.6%のNDSで最先端のパフォーマンスを達成することを示した。

関連論文リスト

• ASTRA: Asynchronous Spatio-Temporal Reconstruction via Trajectory Alignment [86.35109211408489]
  本稿では,非同期動的再構成のための2次元運動軌跡を明示的かつテクスチャに依存しない監視として導入するフレームワークであるASTRAを提案する。 ASTRAは高周波空間の詳細を保存し、25フレームのオフセットを持つ重度の非同期でも強い堅牢性を保ち、約1.4dBのPSNRの改善を実現し、時間オフセットMAEを54.0%削減し、同期成功率をほぼ4倍にしている。
  論文  参考訳（メタデータ） (2026-08-03T10:06:45Z)
• Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
  DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。 Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:09:55Z)
• Towards Physically Consistent 4D Scene Reconstruction for Closed-loop Autonomous Driving Simulation [19.055975606481635]
  高忠実なストリートシーンの再構築は、エンドツーエンドの自動運転シミュレーションにおいて重要である。 既存の3DGSメソッドとその4D拡張は、両方を同時に達成できない。 空間的識別性を回復するための直交射影勾配(OPG)を提案する。
  論文  参考訳（メタデータ） (2026-05-20T11:09:53Z)
• RAFT-MSF++: Temporal Geometry-Motion Feature Fusion for Self-Supervised Monocular Scene Flow [51.43025173196566]
  単眼のシーンフロー推定は画像列から高密度な3次元動きを復元することを目的としている。 RAFT-MSF++は,時間的特徴を融合して深度とシーンフローを推定する自己教師型マルチフレームフレームワークである。 実験の結果、RAFT-MSF++はKITTI Scene Flowベンチマークで24.14%のSF-allを達成した。
  論文  参考訳（メタデータ） (2026-04-21T11:32:49Z)
• MambaFusion: Adaptive State-Space Fusion for Multimodal 3D Object Detection [6.350460753267439]
  MambaFusionは、効率的で適応的で物理的に基礎付けられた3D知覚を実現する、統合されたマルチモーダル検出フレームワークである。 構造条件拡散ヘッドは、不確実性を考慮した推論と不確実性を考慮した推論を統合し、物理的妥当性を強制し、信頼性を校正する。 このフレームワークは、SSMベースの効率と信頼性駆動核融合を結合することで、現実の自律運転システムに対して堅牢で、時間的に安定し、解釈可能な3D知覚が得られることを示す。
  論文  参考訳（メタデータ） (2026-02-08T21:10:46Z)
• Diffusion-Based Restoration for Multi-Modal 3D Object Detection in Adverse Weather [15.57759675028067]
  DiffFusionは、挑戦的な天候における堅牢性を高めるために設計された新しいフレームワークである。 私たちのキーとなる洞察は、拡散モデルはデータをノイズ化し、生成する強力な能力を持っているということです。 DiffFusionの実装はオープンソースとしてリリースされます。
  論文  参考訳（メタデータ） (2025-12-15T09:03:46Z)
• DVLO4D: Deep Visual-Lidar Odometry with Sparse Spatial-temporal Fusion [28.146811420532455]
  DVLO4Dは,空間-時空間融合を利用して精度とロバスト性を向上する新しい視覚-LiDARオドメトリーフレームワークである。 提案手法は,82msの予測時間を持つ高効率で,実時間展開の可能性を秘めている。
  論文  参考訳（メタデータ） (2025-09-07T11:43:11Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Cross-modal Offset-guided Dynamic Alignment and Fusion for Weakly Aligned UAV Object Detection [0.0]
  無人航空機(UAV)の物体検出は、環境モニタリングや都市警備といった用途において重要な役割を担っている。 UAVプラットフォームの動きと非同期イメージングにより、空間的不整合はしばしばモダリティの間で発生し、アライメントが弱くなる。 我々はこれらの問題に対処するために、クロスモーダルオフセット誘導動的アライメント・アンド・フュージョン(CoDAF)を提案する。
  論文  参考訳（メタデータ） (2025-06-20T04:11:39Z)
• Rethinking Temporal Fusion with a Unified Gradient Descent View for 3D Semantic Occupancy Prediction [62.69089767730514]
  視覚に基づく3次元意味的占有予測(VisionOcc)のための時間融合法であるGAFusionを提案する。 これは、VisionOccフレームワーク内の時間融合の未調査の側面を開き、時間的手がかりと融合戦略の両方に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-17T14:05:33Z)
• Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
  単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。 既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。 本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T14:42:27Z)
• Decoupling and Recoupling Spatiotemporal Representation for RGB-D-based Motion Recognition [62.46544616232238]
  従来の動作認識手法は、密結合した多時間表現によって有望な性能を実現している。 本稿では,RGB-D に基づく動作認識において引き起こされた表現を分離し,再分離することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T18:59:47Z)

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。