論文の概要: IAF-Net: Illumination-Adaptive Fusion for Low-Light Urban Road Segmentation
- arxiv url: http://arxiv.org/abs/2605.30939v1
- Date: Fri, 29 May 2026 07:28:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.448632
- Title: IAF-Net: Illumination-Adaptive Fusion for Low-Light Urban Road Segmentation
- Title（参考訳）: IAF-Net:低照度都市道路セグメンテーションのためのイルミネーション適応核融合
- Abstract要約: 照明条件の異なる道路セグメンテーションのための照明適応融合を用いたエンドツーエンドフレームワークを提案する。
IAF-Netは、コアIllumination-Adaptive Fusion (IAF)モジュールを介してRGBと幾何学的特徴の融合重量を動的に調整する。
nuScenes-NRSの実験は、比較手法の総合的な性能を示す一方、CARLA-MWRSは悪天候条件におけるロバスト性をさらに検証している。
- 参考スコア（独自算出の注目度）: 6.81209407358202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic road segmentation is important for autonomous driving, but existing methods suffer severe performance degradation under low-light conditions. Many existing multi-modal fusion methods do not explicitly adapt to illumination-dependent changes in modality reliability, which can propagate degraded RGB features into the fused representation at night. We propose IAF-Net (Illumination-Adaptive Fusion Network), an end-to-end framework with illumination-adaptive fusion for robust road segmentation across different lighting conditions. It dynamically adjusts fusion weights of RGB and geometric features via the core Illumination-Adaptive Fusion (IAF) module, and enhances low-light feature selection with a brightness-modulated attention decoder. We also construct two dedicated datasets: nuScenes Nighttime Road Segmentation (nuScenes-NRS) and CARLA Multi-Weather Road Segmentation (CARLA-MWRS). Experiments on nuScenes-NRS show state-of-the-art overall performance among the compared methods, while CARLA-MWRS further validates robustness across adverse weather conditions. Ablation studies on a 40% training subset further highlight the importance of the IAF module, which provides the largest individual gain of 0.70% in MaxF.
- Abstract（参考訳）: 自律走行にはセマンティック道路セグメンテーションが重要であるが、既存手法は低照度条件下では深刻な性能劣化を被る。
多くの既存マルチモーダル融合法は、夜間に劣化したRGB特徴を融合表現に伝播させるため、照明に依存したモード信頼性の変化に明示的に適応しない。
IAF-Net(Illumination-Adaptive Fusion Network)は,照明条件の異なる道路セグメンテーションのための照明適応フュージョンを用いたエンドツーエンドフレームワークである。
コアIllumination-Adaptive Fusion (IAF)モジュールを介してRGBと幾何学的特徴の融合重量を動的に調整し、明るさ変調されたアテンションデコーダで低照度特徴の選択を強化する。
また, ニューScenes Nighttime Road Segmentation (nuScenes-NRS) と CARLA Multi-Weather Road Segmentation (CARLA-MWRS) の2つの専用データセットを構築した。
nuScenes-NRSの実験では、比較した手法の総合的な性能が示されているが、CARLA-MWRSは悪天候条件におけるロバスト性をさらに検証している。
40%のトレーニングサブセットに関するアブレーション研究は、最大で0.70%の個人ゲインを提供するIAFモジュールの重要性をさらに強調している。
関連論文リスト
- Beyond Illumination: A Conditional Mutual Information-Guided Network for Low-Light Image Enhancement [48.364582443938296]
低照度画像強調(LLIE)は、不適切な照明条件下で撮影された画像から構造的忠実度、自然な色調、適切な露出を復元することを目指している。
近年のCIDNetのような最先端のアプローチでは、色覚分岐(HV)と強度分岐(I)で構成されたデュアルブランチアーキテクチャを採用して、HVI色空間内の分解および輝度情報を個別にモデル化している。
これらの手法は、強度と色覚成分の相互相互作用を見落とし、それらの表現能力を本質的に制限し、最適以下の拡張性能をもたらす。
論文 参考訳（メタデータ） (2026-08-03T08:27:38Z) - Frequency-Guided Fusion For RGB-Thermal Semantic Segmentation [0.6187780920448871]
本稿では,2つのConvNeXt V2バックボーン上に構築されたマルチモーダル核融合アーキテクチャを提案する。
MFNetとPST900の実験では、我々の最も軽い変種はそれぞれ61.73%、86.24% mIoUであり、35.43Mのパラメータしか得られていない。
論文 参考訳（メタデータ） (2026-05-25T18:57:22Z) - AdaFuse-Det: Adaptive Cross-Modal Fusion of Event Cameras for Robust Object Detection in Low-Light RGB Imagery [2.804640719143954]
本稿では、CLAHE強化RGBフレームとボキセル化イベントテンソルを融合したデュアルストリームフレームワークであるAdaFuse-Detを紹介する。
LLE-VOSベンチマークでは、AdaFuse-Detのリコールは65.54%、精度は53.85%、F1-Scoreは59.12%である。
論文 参考訳（メタデータ） (2026-05-23T18:01:48Z) - Seeing Roads Through Words: A Language-Guided Framework for RGB-T Driving Scene Segmentation [5.030754278104693]
RGB-熱融合(RGB-Thermal fusion)は標準的な手法であるが、既存の手法では全ての条件に対して均一に静的融合戦略を適用する。
本稿では,その融合戦略を検出されたシーン条件に動的に適応させるCLARITYを提案する。
MFNetデータセットの実験は、CLARITYが新しい最先端(SOTA)を確立することを実証している。
論文 参考訳（メタデータ） (2026-02-07T03:52:04Z) - SAIGFormer: A Spatially-Adaptive Illumination-Guided Network for Low-Light Image Enhancement [58.79901582809091]
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
近年, トランスフォーマーを用いた低照度化手法は, 世界照明の回復に有望な進展をもたらした。
正確な照明復元を可能にする空間適応照明誘導変圧器フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-21T11:38:56Z) - Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。
既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。
提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-06-10T16:48:27Z) - A Multi-modal Fusion Network for Terrain Perception Based on Illumination Aware [4.964908292792731]
道路地形は自動運転車(AV)の運転安全確保に重要な役割を担っている
カメラやライダーを含む既存のAVセンサーは、照明や気象条件の変化に影響を受けやすい。
本稿では,外受容と固有受容の両面を利用した照明対応多モード核融合ネットワーク(IMF)を提案する。
論文 参考訳（メタデータ） (2025-05-16T10:02:22Z) - PedDet: Adaptive Spectral Optimization for Multimodal Pedestrian Detection [28.06976064484559]
PedDetは適応的なスペクトル最適化フレームワークで、特にマルチスペクトル歩行者検出に最適化されている。
PedDetは最先端の性能を実現し、低照度でも検出精度が良く、mAPを6.6%向上させる。
論文 参考訳（メタデータ） (2025-02-19T19:31:51Z) - 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) - Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳（メタデータ） (2023-08-10T07:53:06Z) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z)
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。