論文の概要: MapDreamer: Aerial Imagery Conditioned Latent Diffusion for Lane-Level Map Generation

• arxiv url: http://arxiv.org/abs/2607.01370v1
• Date: Wed, 01 Jul 2026 18:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.554485
• Title: MapDreamer: Aerial Imagery Conditioned Latent Diffusion for Lane-Level Map Generation
• Title（参考訳）: MapDreamer: レーンレベルマップ生成のための空中画像条件付潜時拡散
• Authors: Julian Brandes, Philipp Crocoll, Wolfram Burgard,
• Abstract要約: 本研究では,1つの空中画像から直接,レーンレベルのベクトルマップを明示的な位相で合成する生成拡散モデルであるMapDreamerを提案する。 生成した地図を観測現場と整合させるため, 密集した空中の特徴を相互注意により各デノイングステップで把握する。 Argoverse 2から派生したUrbanLaneGraphの実験では、非生成基線よりも幾何的および位相的忠実性が向上した。
• 参考スコア（独自算出の注目度）: 11.066720921275648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High definition map generation is essential for autonomous driving, yet remains a labor-intensive process at scale. We present MapDreamer, a generative diffusion model that synthesizes lane-level vector maps with explicit topology directly from a single aerial image. MapDreamer learns a compact latent representation of lane centerlines and their topological relations using a variational autoencoder and predicts graphs with a transformer-based latent diffusion model. To align generated maps with the observed scene, we condition each denoising step on dense aerial features injected through cross-attention. To handle the varying number of lanes across scenes, we propose a lane cardinality module paired with background ghost lane latents, a learned buffer that prevents slot collapse during diffusion. Furthermore, we introduce a sliding-window global graph aggregation strategy that stitches local tiles into city-scale maps while preserving connectivity through encoded lane boundaries. Experiments on UrbanLaneGraph derived from Argoverse 2 show improved geometric and topological fidelity over non-generative baselines.
• Abstract（参考訳）: 高定義マップ生成は自動運転には不可欠であるが、大規模に労働集約的なプロセスである。 本研究では,1つの空中画像から直接,レーンレベルのベクトルマップを明示的な位相で合成する生成拡散モデルであるMapDreamerを提案する。 MapDreamerは変分オートエンコーダを用いてレーン中心線のコンパクトな潜在表現とそのトポロジ的関係を学習し、変圧器に基づく潜在拡散モデルを用いてグラフを予測する。 生成した地図を観測現場と整合させるため, 密集した空中の特徴を相互注意により各デノイングステップで把握する。 シーン毎に異なるレーン数を扱うために,背景ゴーストレーン潜水器と組み合わせたレーン濃度モジュールを提案する。 さらに,道路境界の符号化による接続性を維持しつつ,局所タイルを都市規模の地図に縫い付けるスライディングウインドウのグローバルグラフ集約戦略を導入する。 Argoverse 2から派生したUrbanLaneGraphの実験では、非生成基線よりも幾何的および位相的忠実性が向上した。

関連論文リスト

• Generative Lane Topology Reasoning via Autoregressive Model with Geometry Prior [35.786221225043455]
  TopoGPTは典型的なレーングラフ構造に先立って幾何学を学習する生成フレームワークである。 我々は3.3Mシーンからなる大規模地図データセットを構築した。 TopoGPTは、レーンレベルが平均+6.4、ポイントレベルが+11.6である。
  論文  参考訳（メタデータ） (2026-06-30T15:27:54Z)
• T2SG: Traffic Topology Scene Graph for Topology Reasoning in Autonomous Driving [26.038699227233227]
  交通トポロジシーングラフ(Traffic Topology Scene Graph)は、路面を明示的にモデル化し、異なる路面信号で制御し、ガイドする統一されたシーングラフである。 T2SGの生成のために,新たに2つのレイヤが設計された新しいトポロジーシーングラフトランスフォーマーであるTopoFormerを提案する。
  論文  参考訳（メタデータ） (2024-11-28T03:55:50Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• Augmenting Lane Perception and Topology Understanding with Standard Definition Navigation Maps [51.24861159115138]
  Standard Definition (SD) マップは、より安価で、世界中でカバーでき、スケーラブルな代替手段を提供する。 本稿では,オンライン地図予測にSDマップを統合する新しいフレームワークを提案し,Transformer を用いたエンコーダ SD Map Representations を提案する。 この拡張は、現在の最先端のオンラインマップ予測手法におけるレーン検出とトポロジー予測を一貫して(最大60%まで)大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-07T15:42:22Z)
• Path-Aware Graph Attention for HD Maps in Motion Prediction [4.531240717484252]
  自律運転における動作予測の成功は、HDマップからの情報の統合に依存している。 本稿では,2つの頂点間の注意関係を,接続する経路を構成するエッジの列を解析することによって推定する新しい注目アーキテクチャであるPath-Aware Graph Attentionを提案する。 本分析は,GCNのような既存のグラフネットワークが苦戦している現実的な問題において,提案した注意機構が学習を促進する方法を示す。
  論文  参考訳（メタデータ） (2022-02-23T09:43:47Z)
• HDMapGen: A Hierarchical Graph Generative Model of High Definition Maps [81.86923212296863]
  HDマップは道路路面の正確な定義と交通ルールの豊富な意味を持つ地図である。 実際の道路トポロジやジオメトリはごくわずかで、自動運転スタックをテストする能力は著しく制限されています。 高品質で多様なHDマップを生成可能な階層グラフ生成モデルであるHDMapGenを提案する。
  論文  参考訳（メタデータ） (2021-06-28T17:59:30Z)
• DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
  我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。 グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。 2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
  論文  参考訳（メタデータ） (2020-12-22T21:58:57Z)
• Learning Lane Graph Representations for Motion Forecasting [92.88572392790623]
  生の地図データからレーングラフを構築し,地図構造を保存する。 我々は,アクター・トゥ・レーン,レーン・トゥ・レーン,レーン・トゥ・アクター,アクター・トゥ・アクターの4種類のインタラクションからなる融合ネットワークを利用する。 提案手法は,大規模Argoverse運動予測ベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-27T17:59:49Z)

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。