論文の概要: TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction

• arxiv url: http://arxiv.org/abs/2606.25002v1
• Date: Tue, 23 Jun 2026 16:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.19688
• Title: TRACER: Training-Free Closed-Loop Structured Inference for Traffic Accident Reconstruction
• Title（参考訳）: TRACER:交通事故復旧のための訓練不要閉ループ構造推論
• Authors: Yanchen Guan, Chengyue Wang, Bin Rao, Haicheng Liao, Jiaxun Zhang, Shang Gao, Chengzhong Xu, Zhenning Li,
• Abstract要約: 交通事故の再建は、不均一な証拠から物理的に一貫した動きを回復する必要がある法医学的逆問題である。 ここでは、閉鎖ループ構造推論プロセスとして再構成を定式化する、トレーニング不要なフレームワークTRACERを提案する。 実世界の事故データを用いた実験では、TRACERは、データ駆動と物理に基づくベースラインの両方において、幾何学的忠実度、速度の整合性、衝突の精度の向上を実現する。
• 参考スコア（独自算出の注目度）: 30.569426567956977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic accident reconstruction is a forensic inverse problem that requires recovering physically consistent motion from sparse and heterogeneous evidence. Existing learning-based approaches predominantly optimize for semantic plausibility or visual realism, rather than quantitative agreement with measurable geometry and dynamics. Here, we present TRACER, a training-free framework that formulates reconstruction as a closed-loop structured inference process. Instead of directly generating dense trajectories, our framework constructs and iteratively refines event-anchored motion hypotheses under geometric, kinematic, and interaction constraints, guided by structured case memory and consistency-driven diagnosis. This design enables incremental, interpretable corrections when evidence is insufficient, making the accident reconstruction process more aligned with the workflow of human experts. Experiments on real-world accident data show that TRACER achieves improved geometric fidelity, velocity consistency, and collision accuracy over both data-driven and physics-based baselines.
• Abstract（参考訳）: 交通事故の再建は、不均一な証拠から物理的に一貫した動きを回復する必要がある法医学的逆問題である。 既存の学習ベースのアプローチは、測定可能な幾何学や力学との定量的な一致よりも、意味的妥当性や視覚的リアリズムを主に最適化する。 ここでは、閉鎖ループ構造推論プロセスとして再構成を定式化する、トレーニング不要なフレームワークTRACERを提案する。 我々のフレームワークは、密度の高い軌道を直接生成するのではなく、構造化されたケースメモリと一貫性駆動型診断によって導かれる幾何学的、キネマティック、相互作用制約の下で、イベントアンコレッドな運動仮説を反復的に洗練し、洗練する。 この設計により、証拠が不十分な場合に漸進的に解釈可能な修正が可能となり、事故復旧プロセスは人間の専門家のワークフローとより整合する。 実世界の事故データを用いた実験では、TRACERは、データ駆動と物理に基づくベースラインの両方において、幾何学的忠実度、速度の整合性、衝突の精度の向上を実現する。

関連論文リスト

• High-Fidelity Industrial Crash Dynamics Prediction via Geometry-Aware Operator Learning with Memory-Efficient Low-Rank Attention [0.2174820084855635]
  我々は,GeoTransolverフレームワークが,産業規模での高精度かつ高忠実なクラッシュダイナミクス予測に有効なソリューションであることを示す。 ワンショット、時間条件、自動回帰ロールアウト戦略は、トレーニングオーバーヘッドと推論遅延を著しく低減し、最先端の精度を実現する。 本結果は,複雑な安全クリティカルな自動車力学の高忠実なサロゲートモデリングのための幾何認識演算子学習の実用性を強調した。
  論文  参考訳（メタデータ） (2026-05-26T23:15:53Z)
• Aerodynamic force reconstruction using physics-informed Gaussian processes [0.0]
  本研究では,構造的動的応答の雑音測定から基礎となる空力負荷を再構築する機械学習手法を提案する。 このモデルはオーバーフィッティングを回避し、正規化スキームの必要性を排除し、不均一データと多忠実データの使用を可能にする。 結果は、特にルート平均二乗誤差、等級、位相角、信号のピーク値に関連する、真の負荷と予測負荷の強い一致を示す。
  論文  参考訳（メタデータ） (2026-05-21T07:45:19Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Learning physically grounded traffic accident reconstruction from public accident reports [12.882161839040883]
  我々は,パラメータ化されたマルチモーダル学習問題として,公開可能なレポートとシーン計測から事故復旧を定式化する。 CISS-RECは,NHTSAのクラッシュ調査サンプリングシステムから収集した6,217件の現実世界の事故事例のデータセットである。 提案手法は,CISS-RECにおける代表的ベースラインよりも優れており,全体の再構築精度が最も高い。
  論文  参考訳（メタデータ） (2026-04-29T14:33:27Z)
• StructAlign: Structured Cross-Modal Alignment for Continual Text-to-Video Retrieval [75.28673512571449]
  Continual Text-to-Video Retrievalの重要な課題はフィーチャードリフトだ。 我々はCTVRのための構造化クロスモーダルアライメント手法であるStructAlignを提案する。 我々の手法は、常に最先端の連続検索手法より優れています。
  論文  参考訳（メタデータ） (2026-01-28T13:34:44Z)
• Follow My Hold: Hand-Object Interaction Reconstruction through Geometric Guidance [61.41904916189093]
  単眼RGB画像から手持ち物体の3次元形状を再構成する拡散法に基づく新しいフレームワークを提案する。 我々は手オブジェクト間相互作用を幾何学的ガイダンスとして使用し、手オブジェクト間相互作用を確実にする。
  論文  参考訳（メタデータ） (2025-08-25T17:11:53Z)
• Towards Prospective Medical Image Reconstruction via Knowledge-Informed Dynamic Optimal Transport [58.6869774515413]
  本稿では,新しい動的最適輸送フレームワークKIDOTについて紹介する。 KIDOTは、画像から画像への連続的な進化経路として再構成をモデル化し、画像知識インフォームドコスト関数と輸送方程式で導かれる、未完成のデータから学習する。 MRIとCTの再構成実験は、KIDOTの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T09:05:10Z)
• 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)
• Towards Robust Trajectory Representations: Isolating Environmental Confounders with Causal Learning [23.659451444973627]
  本稿では、因果学習に基づく軌道モデリングフレームワーク(TrajCL)を提案する。 TrajCLは、より優れた一般化と解釈可能性を示しながら、軌道分類タスクのパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2024-04-22T10:34:58Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。