Fugu-MT 論文翻訳(概要): ASTAD: Asymmetric Style Transfer for Synthetic-to-Real Adaptation in Autonomous Driving

論文の概要: ASTAD: Asymmetric Style Transfer for Synthetic-to-Real Adaptation in Autonomous Driving

arxiv url: http://arxiv.org/abs/2606.29286v1
Date: Sun, 28 Jun 2026 09:15:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.870143
Title: ASTAD: Asymmetric Style Transfer for Synthetic-to-Real Adaptation in Autonomous Driving
Title（参考訳）: ASTAD: 自律運転における非対称型非対称型適応
Abstract要約: 自律運転のための非対称スタイル転送(ASTAD)という新しい課題を提案する。 ASTADは、ラベル付き合成コンテンツとラベル付き実世界の参照のみを使用して意味的に一貫した転送を必要とする。非対称な制約の下で、このドメインギャップを橋渡しするために設計された、トレーニングフリーの2段階フレームワークであるASTModelを紹介します。
参考スコア（独自算出の注目度）: 11.308907767219685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Synthetic data mitigates the data scarcity problem in autonomous driving perception. However, the synthetic-to-real gap leads to performance degradation, hindering real-world model generalization. Although current methods leverage diffusion models for photorealistic style transfer to bridge this gap, they critically ignore a practical asymmetry: while synthetic data possesses perfect pixel-level annotations, real-world style reference images generally lack corresponding labels. Consequently, existing methods relying on symmetric semantic guidance suffer from either prohibitive annotation costs or severe semantic misalignment. To address this dilemma, we formally propose a novel task: Asymmetric Style Transfer for Autonomous Driving (ASTAD), which requires semantically consistent transfer using only labeled synthetic content and unlabeled real-world references. We further introduce the ASTModel, a training-free two-stage framework designed to bridge this domain gap under asymmetric constraints. ASTModel first extracts a coarse semantic prior from the unlabeled target, followed by dynamic prior refinement and class-consistent style injection during the denoising process. Extensive experiments demonstrate that ASTModel significantly outperforms existing methods in downstream perception utility and structural fidelity, while offering a 3.2$\times$ inference speedup. This work aligns synthetic-to-real adaptation with practical constraints, holding the potential to accelerate the scalable deployment of robust autonomous driving systems. Code: https://github.com/Dingyi-Yao/ASTAD.
Abstract（参考訳）: 合成データは、自律運転知覚におけるデータの不足問題を緩和する。しかし、合成と現実のギャップは性能の低下を招き、現実のモデルの一般化を妨げている。現在の手法はこのギャップを埋めるためにフォトリアリスティックなスタイル転送のための拡散モデルを利用するが、それらは実際的な非対称性を無視している: 合成データは完全なピクセルレベルのアノテーションを持っているが、現実のスタイル参照画像は一般的に対応するラベルを欠いている。その結果、対称的意味指導に依存する既存の手法は、禁止的アノテーションコストまたは重度の意味的ミスアライメントに悩まされる。このジレンマに対処するために、我々は、ラベル付き合成コンテンツとラベルなし実世界の参照のみを用いて意味的に一貫した伝達を必要とする非対称な自律運転用スタイル転送(ASTAD)という新しいタスクを正式に提案する。さらに、このドメインギャップを非対称な制約の下で橋渡しするために設計された、トレーニングフリーの2段階フレームワークであるASTModelを紹介します。 ASTModelはまずラベル付けされていないターゲットから粗いセマンティクスを抽出し、続いて動的事前改善とクラス一貫性の注入を行う。広範囲な実験により、ASTModelは下流認識ユーティリティと構造的忠実性において既存の手法を著しく上回り、3.2$\times$推論スピードアップを提供する。この作業は、堅牢な自律運転システムのスケーラブルな展開を加速する可能性を保ちながら、現実的な制約と合成から現実への適応を一致させる。コード:https://github.com/Dingyi-Yao/ASTAD。

関連論文リスト

Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning [6.63181149575886]
巨視的異方性ドリフトを緩和するGeometry-Anchored Transport Frameworkを提案する。また、局所化多様体の分解を正規化するトポロジー・アウェア進化の目的も導入する。 CIFAR-100、TinyImageNet、ImageNet-100にわたる実験では、提案されたフレームワークが既存のポストホック代替品を一貫して改善していることが示されている。
論文参考訳（メタデータ） (2026-06-24T03:27:20Z)
Intra-Modal Neighbors Never Lie: Rectifying Inter-Modal Noisy Correspondence via Graph-Based Intra-Modal Reasoning [35.81581893839085]
大規模ウェブハーベストデータセットは、クロスモーダル検索の進展を加速させているが、必然的にノイズ対応に悩まされている。 In-modal Neighbor-aware Noise Rectification (IN2R) という新しい枠組みを提案する。
論文参考訳（メタデータ） (2026-06-02T12:26:28Z)
Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models [65.89572755202245]
拡散言語モデル(DLM)は、より強力なグローバル認識と高い並列生成を提供する。標準負のエビデンス下界(NELBO)に基づく教師付き微調整後のDLMは非効率である。そこで本研究では,学習を推論の容易かつハードな構造に整合させる,自己蒸留軌道に基づくポストトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-05-12T09:39:06Z)
Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
論文参考訳（メタデータ） (2026-05-11T15:49:08Z)
TrafficMoE: Heterogeneity-aware Mixture of Experts for Encrypted Traffic Classification [12.748275751587363]
暗号化されたトラフィック分類は、ネットワークセキュリティにとって重要なタスクである。一つのサイズにフィットする静的デザインは、本質的に欠陥がある。静的モデリングのボトルネックを突破するフレームワークであるTrafficMoEを提案する。
論文参考訳（メタデータ） (2026-03-31T10:05:54Z)
Joint Geometric and Trajectory Consistency Learning for One-Step Real-World Super-Resolution [14.52346301984322]
拡散に基づくReal-World Image Super-Resolution (Real-ISR)は、印象的な知覚品質を実現するが、反復サンプリングによる高い計算コストに悩まされる。本稿では,GTASR(Geometric Trajectory Alignment Super-Resolution)を提案する。
論文参考訳（メタデータ） (2026-02-27T18:13:31Z)
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文参考訳（メタデータ） (2025-10-09T17:59:36Z)
Style Transfer with Diffusion Models for Synthetic-to-Real Domain Adaptation [3.7051961231919393]
拡散モデルを用いた意味論的一貫したスタイル伝達のための2つの新しい手法を提案する。 GTA5をソースとして,Cityscapes/ACDCをターゲットドメインとして実験したところ,FIDスコアが低く,コンテンツ保存性が向上した高品質な画像が得られた。
論文参考訳（メタデータ） (2025-05-22T08:11:10Z)
Enhancing Adversarial Transferability with Adversarial Weight Tuning [50.01825144613307]
敵対的な例(AE)は、人間の観察者に対して良心を抱きながらモデルを誤解させた。 AWTは、勾配に基づく攻撃法とモデルに基づく攻撃法を組み合わせて、AEの転送可能性を高めるデータフリーチューニング手法である。
論文参考訳（メタデータ） (2024-08-18T13:31:26Z)
FASTopic: Pretrained Transformer is a Fast, Adaptive, Stable, and Transferable Topic Model [76.509837704596]
本稿では,高速で適応的で,安定で,移動可能なトピックモデルであるFASTopicを提案する。我々はDSR(Dual Semantic-Relation Reconstruction)を用いて潜在トピックをモデル化する。また, セマンティック関係を最適輸送計画として正規化するためのETP(Embedding Transport Plan)を提案する。
論文参考訳（メタデータ） (2024-05-28T09:06:38Z)
Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。