Fugu-MT 論文翻訳(概要): RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather

論文の概要: RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather

arxiv url: http://arxiv.org/abs/2607.04587v1
Date: Mon, 06 Jul 2026 01:24:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.985907
Title: RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather
Title（参考訳）: RAF: 逆気象下でのロバスト3次元物体検出のためのカメラ、LiDAR、および4D RADARの信頼性を考慮した融合
Abstract要約: 本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度を明示的に推定し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。 RAFはLiDAR-RADARベースラインに対する検出精度を継続的に改善し、+6.5 $AP_BEV$と+7.4 $AP_3D$ゲインを達成している。
参考スコア（独自算出の注目度）: 47.7622249773517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robust 3D object detection in adverse weather conditions is challenging due to sensor limitations. Although combining complementary modalities such as LiDAR and 4D RADAR has shown promise, the sparsity of these sensors becomes apparent in adverse weather with reduced reflections, leading to objects with few or no point cloud returns. To address this limitation, camera sensors provide visual cues even when LiDAR and RADAR signals are weakened. However, cameras themselves are also vulnerable to adverse weather, where some regions become unreliable due to snow or rain occluding the camera lens. While some camera-fusion methods designed for adverse weather learn to weigh image regions via confidence maps, these maps receive no direct supervision and are learned solely through the detection loss. We introduce Reliability-Aware Fusion (RAF), which explicitly supervises per-pixel reliability estimation and provides a direct learning signal for identifying and suppressing unreliable visual cues. Our framework leverages pretrained LiDAR-RADAR networks, keeping their backbones frozen while only training the added camera branch, BEV fusion encoder, and detection head. Extensive experiments on the K-Radar and VoD datasets demonstrate that integrating RAF consistently improves detection accuracy over LiDAR-RADAR baselines, achieving up to +6.5 $AP_{BEV}$ and +7.4 $AP_{3D}$ gains. Code is available at https://github.com/parkie0517/RAF.
Abstract（参考訳）: 悪天候条件下でのロバストな3次元物体検出は、センサの制限により困難である。 LiDARと4D RADARのような相補的なモダリティの組み合わせは有望であるが、これらのセンサーの空間は反射を減らして悪天候下で明らかになり、雲がほとんどあるいは全く返らない物体が返ってくる。この制限に対処するため、カメラセンサーはLiDARとRADARの信号が弱い場合でも視覚的手がかりを提供する。しかし、カメラ自体も悪天候に弱いため、一部の地域では、カメラレンズを除いた雪や雨のために信頼性が低下する。悪天候のために設計されたいくつかのカメラ融合法は、信頼マップを介して画像領域を測ることを学ぶが、これらのマップは直接の監督を受けず、検出損失のみを通して学習される。本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度推定を明示的に監視し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。我々のフレームワークは、事前訓練されたLiDAR-RADARネットワークを活用し、カメラブランチ、BEV融合エンコーダ、検出ヘッドのみをトレーニングしながら、背骨を凍結し続ける。 K-RadarとVoDデータセットの大規模な実験により、RAFの統合はLiDAR-RADARベースラインでの検出精度を一貫して改善し、+6.5 $AP_{BEV}$と+7.4 $AP_{3D}$ゲインを達成した。コードはhttps://github.com/parkie0517/RAFで公開されている。

関連論文リスト

RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。 RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
論文参考訳（メタデータ） (2026-05-25T21:03:40Z)
HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
論文参考訳（メタデータ） (2026-02-12T04:21:58Z)
Depth-aware Fusion Method based on Image and 4D Radar Spectrum for 3D Object Detection [32.96725310200148]
3Dミリ波レーダーは、対象物に対して範囲、ドップラー、方位情報しか提供できない。本稿では,これら2つの高相補的で費用効率のよいセンサ,4Dミリ波レーダ,カメラを活用する。深度センサがない場合のレーダスペクトルから深度画像を生成するために,GANを用いたネットワークを提案する。
論文参考訳（メタデータ） (2025-02-21T15:14:30Z)
RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。レーダーは騒音と位置のあいまいさに悩まされる。本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文参考訳（メタデータ） (2025-02-18T17:17:38Z)
V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。 V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
論文参考訳（メタデータ） (2024-11-13T07:41:47Z)
Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
論文参考訳（メタデータ） (2024-04-08T01:38:43Z)
DPFT: Dual Perspective Fusion Transformer for Camera-Radar-based Object Detection [0.7919810878571297]
デュアル・パースペクティブ・フュージョン・トランス (DPFT) と呼ばれる新しいカメラレーダ融合手法を提案する。本手法では,処理された点雲の代わりに,低レベルのレーダデータ(レーダキューブ)を活用して,できるだけ多くの情報を保存する。 DPFTは、K-Radarデータセットの最先端性能を実証し、悪天候に対する顕著な堅牢性を示した。
論文参考訳（メタデータ） (2024-04-03T18:54:27Z)
CR3DT: Camera-RADAR Fusion for 3D Detection and Tracking [40.630532348405595]
Camera-RADAR 3D Detection and Tracking (CR3DT)は3Dオブジェクト検出のためのカメラ・レーダ融合モデルであり、Multi-Object Tracking (MOT) である。 State-of-the-Art (SotA)カメラ専用のBEVDetアーキテクチャの基礎の上に構築されたCR3DTは、検出機能とトラッキング機能の両方で大幅に改善されている。
論文参考訳（メタデータ） (2024-03-22T16:06:05Z)
Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文参考訳（メタデータ） (2023-07-31T09:53:50Z)
CramNet: Camera-Radar Fusion with Ray-Constrained Cross-Attention for Robust 3D Object Detection [12.557361522985898]
本稿では,カメラとレーダーの読み取りを3次元空間に融合させるカメラレーダマッチングネットワークCramNetを提案する。本手法は, カメラやレーダセンサが車両内で突然故障した場合においても, 頑健な3次元物体検出を実現するセンサモダリティ・ドロップアウトによるトレーニングを支援する。
論文参考訳（メタデータ） (2022-10-17T17:18:47Z)

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。