論文の概要: Open-Weather Robust 3D Detection via Dual-Critic Diffusion Alignment

• arxiv url: http://arxiv.org/abs/2607.01983v1
• Date: Thu, 02 Jul 2026 10:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.785586
• Title: Open-Weather Robust 3D Detection via Dual-Critic Diffusion Alignment
• Title（参考訳）: 二重臨界拡散アライメントによるオープンウェザーロバスト3次元検出
• Abstract要約: 本稿では, 劣化したLiDAR特徴をクリーンな多様体に向けて復元するフレームワークであるDual-Critic Guided Diffusion Alignmentを提案する。 特定の気象タイプをモデル化する代わりに、DCDAは4Dレーダー条件の拡散プロセスを用いて特徴を段階的に洗練する。 天気に逆らう批評家は、クリーンウェザー表現と全体分布の一貫性を強制する。
• 参考スコア（独自算出の注目度）: 20.338529072840455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust 3D object detection under adverse weather remains a critical hurdle for autonomous driving. Despite progress with LiDAR-4D radar fusion, most methods are constrained by a closed-world assumption, implicitly requiring training and test weather to align in both type and severity. This premise fails in practice: the open-ended nature of weather, and even variations within a single type like rain, cause dramatically different LiDAR degradation patterns, leading to significant performance drops in unseen conditions. To address this, we present Dual-Critic Guided Diffusion Alignment (DCDA), a weather-agnostic framework that learns to recover degraded LiDAR features toward a clean manifold. Rather than modeling specific weather types, DCDA employs a 4D radar-conditioned diffusion process to progressively refine features, guided by two complementary critics. (i) A detection-guided critic, anchored by a pre-trained clean-weather model, ensures that the refined features retain object-level discriminability and localization accuracy. (ii) A weather adversarial critic enforces holistic distributional consistency with clean-weather representations. By aligning features through semantic and distributional constraints rather than explicit weather modeling, DCDA generalizes effectively to unseen weather types and severities without requiring paired data or weather labels. We further introduce a structured open-weather benchmark with held-out type-severity combinations and extensive experiments verify DCDA's advantages.
• Abstract（参考訳）: 悪天候下でのロバストな3D物体検出は、自動運転にとって重要なハードルである。 LiDAR-4Dレーダーフュージョンの進歩にもかかわらず、ほとんどの手法はクローズドワールドの仮定によって制約されており、タイプと重大性の両方に合わせるために暗黙の訓練とテストの天候を必要とする。 この前提は実際には失敗する: 天気のオープンな性質、雨のような1つのタイプの変化さえも、劇的に異なるLiDAR劣化パターンを引き起こし、目に見えない条件下で大きなパフォーマンス低下をもたらす。 これを解決するために, 劣化したLiDAR特徴をクリーンな多様体に向けて復元する手法であるDual-Critic Guided Diffusion Alignment (DCDA)を提案する。 特定の気象のタイプをモデル化する代わりに、DCDAは2人の補完的な批評家が指導した4Dレーダー条件の拡散プロセスを用いて特徴を徐々に洗練させる。 (i)事前訓練されたクリーンウェザーモデルにより固定された検出誘導批評家は、改良された特徴がオブジェクトレベルの識別性と局所化精度を維持することを保証する。 (二 気象敵批評家は、クリーンウェザー表現との全体的分布整合を強制する。) 明示的な気象モデリングではなく、意味的制約や分布的制約を通じて特徴を整列することにより、DCDAはペアのデータや気象ラベルを必要とせずに、目に見えない気象タイプや深刻度に効果的に一般化する。 さらに, ホールドアウト型重大性の組み合わせによる構造化されたオープンウェザーベンチマークを導入し, DCDAの利点を検証した。

関連論文リスト

• Weather-Conditioned Branch Routing for Robust LiDAR-Radar 3D Object Detection [43.35380334829282]
  気象条件の分岐経路問題としてマルチモーダル認識を再構成する。 我々のフレームワークは、純粋なLiDARブランチ、純粋な4Dレーダブランチ、条件付き融合ブランチの3つの並列3D特徴ストリームを明示的に維持している。 K-Radarベンチマーク実験により,本手法が最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-07T03:56:27Z)
• LRC-WeatherNet: LiDAR, RADAR, and Camera Fusion Network for Real-time Weather-type Classification in Autonomous Driving [0.055923945039144884]
  LRC-WeatherNetは、LiDAR、RADAR、カメラデータを統合して、気象条件のリアルタイム分類を行う、新しいマルチセンサー融合フレームワークである。 本手法は,天候変化時のセンサの信頼性の変化に適応する。 この研究は、自動運転において、堅牢でリアルタイムな気象分類のために3つのモードをすべて組み合わせた最初のものである。
  論文  参考訳（メタデータ） (2026-03-23T13:49:33Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• ClimaOoD: Improving Anomaly Segmentation via Physically Realistic Synthetic Data [16.145130650604344]
  我々は,意味的コヒーレント,気象多様性,物理的に妥当なOoD駆動データを合成するためのセマンティックス誘導イメージ・ツー・イメージ・フレームワークを提案する。 この枠組みに基づいて,晴天条件と悪天候条件の両方で6つの代表的な運転シナリオにまたがる大規模ベンチマークであるClimaOoDを構築した。
  論文  参考訳（メタデータ） (2025-12-02T12:14:19Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions [4.133835011820212]
  LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。 現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。 主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
  論文  参考訳（メタデータ） (2025-01-13T08:44:35Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。