論文の概要: The Power of Light: Improving Synthetic-to-Real Domain Adaptation through Physically-Based Indirect Illumination

• arxiv url: http://arxiv.org/abs/2606.22574v1
• Date: Sun, 21 Jun 2026 16:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:31:58.337328
• Title: The Power of Light: Improving Synthetic-to-Real Domain Adaptation through Physically-Based Indirect Illumination
• Title（参考訳）: 光の力:物理的な間接照明による合成ドメイン適応の改善
• Authors: Hooman Tavakoli Ghinani, Tatjana Legler, Martin Ruskowski,
• Abstract要約: 本稿では,照明構成と背景の複雑さが物体検出性能に与える影響を系統的に解析する。 最先端のYOLOv12フレームワークを用いた18の制御実験を通して、複雑な間接照明構成と、ドメイン関連背景変動との組み合わせにより、視覚的キューのリッチさが著しく向上することが実証された。 本研究は, 直接スペクトルピークの回避が重要な表面テクスチャを保ち, ドメインギャップを緩和し, 偽陽性を低減し, 従来の直光合成データと比較してモデル収束を加速することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While synthetic data generation resolves the manual labeling bottleneck in computer vision, minimizing the syn-to-real domain gap requires optimizing rendering variables. This paper presents a systematic study analyzing the impact of lighting configurations and background complexity on object detection performance. We introduce SmartSDG, an automated, reproducible pipeline built on NVIDIA Isaac Sim using Physically-Based Shading (PBS), alongside ILLUM\_INTRUCK, a new multi-object industrial benchmark dataset. Through 18 controlled experiments utilizing a state-of-the-art YOLOv12 framework, we demonstrate that complex, indirect lighting configurations paired with domain-relevant background variability significantly increase visual cue richness. Our quantitative findings show that avoiding direct specular peaks preserves crucial surface textures, mitigates the domain gap, reduces false positives, and accelerates model convergence compared to using conventional direct-light synthetic data. Ultimately, we provide actionable virtual scene design guidelines to maximize object detection robustness in industrial automation.
• Abstract（参考訳）: 合成データ生成はコンピュータビジョンにおける手動ラベリングのボトルネックを解消するが、シン・トゥ・リアル領域のギャップを最小限に抑えるにはレンダリング変数の最適化が必要である。 本稿では,照明構成と背景の複雑さが物体検出性能に与える影響を系統的に解析する。 我々は、新しいマルチオブジェクト産業ベンチマークデータセットであるILLUM\_INTRUCKとともに、Physically-Based Shading (PBS)を使用してNVIDIA Isaac Sim上に構築された、自動で再現可能なパイプラインであるSmartSDGを紹介した。 最先端のYOLOv12フレームワークを用いた18の制御実験を通して、複雑な間接照明構成とドメイン関係の背景変動との組み合わせが視覚的クエのリッチさを著しく向上させることを示した。 本研究の定量的研究により, 直接スペクトルピークの回避は重要な表面テクスチャを保ち, ドメインギャップを緩和し, 偽陽性を低減し, 従来の直光合成データと比較してモデル収束を加速することが示された。 最終的に、産業自動化におけるオブジェクト検出の堅牢性を最大化するために、実行可能な仮想シーン設計ガイドラインを提供する。

関連論文リスト

• Geometry-Aware Global Feature Aggregation for Real-Time Indirect Illumination [16.592953713673506]
  画面空間における拡散間接照明の予測を行う学習ベース推定器を提案する。 直接照明と組み合わせて、世界的に照射された高ダイナミックレンジの結果を合成する。 本手法は, 様々な色の照明や環境照明など, 複雑な照明の処理に優れる。
  論文  参考訳（メタデータ） (2025-08-12T10:36:03Z)
• How Real is CARLAs Dynamic Vision Sensor? A Study on the Sim-to-Real Gap in Traffic Object Detection [0.0]
  イベントカメラは、交差点でのリアルタイム物体検出に適している。 堅牢なイベントベース検出モデルの開発は、注釈付き現実世界データセットの可用性の制限によって妨げられている。 本研究では,CARLAs DVSを用いたイベントベース物体検出におけるsim-to-realギャップの定量的解析を行った。
  論文  参考訳（メタデータ） (2025-06-16T17:27:43Z)
• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection [84.52197307286681]
  暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。 自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。 我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-05-06T16:27:14Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)
• Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
  個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。 推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
  論文  参考訳（メタデータ） (2020-08-06T08:23:19Z)

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。