論文の概要: Adversarially Guided Diffusion for LiDAR Range Image Synthesis

• arxiv url: http://arxiv.org/abs/2607.09787v1
• Date: Wed, 08 Jul 2026 14:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.193739
• Title: Adversarially Guided Diffusion for LiDAR Range Image Synthesis
• Title（参考訳）: LiDARレンジ画像合成のための逆ガイド拡散
• Authors: Stavros Bouras, Antonios Makris, Alexandros Gkillas, Aris S. Lalos, Konstantinos Tserpes,
• Abstract要約: 提案手法は,2次元領域の領域分割に対する拡散型非制限逆アタックとして,我々の知識を最大限活用するものである。 サンプリング中に直接ガイダンスを適用することで、構造化セグメンテーションエラーを誘導しながら、学習したLiDARデータ多様体に近接した非制限逆例を生成する。 通常のFGSMとSegPGDベースラインと比較して、提案攻撃は、競合する分布性および視覚的リアリズムを維持しつつ、制御可能なホワイトボックスと転送劣化を達成し、明確な有効現実主義トレードオフを提供する。
• 参考スコア（独自算出の注目度）: 39.517569826976036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR semantic segmentation is a key perception task in autonomous driving, where false predictions can affect downstream planning and safety-critical decision-making. Although adversarial attacks, and specifically adversarial examples, have been widely studied for image classification and 3D point cloud segmentation, unrestricted adversarial examples remain largely unexplored in the space of 2D range images, which are projections of 3D point clouds. The proposed method is, to the best of our knowledge, the first diffusion-based unrestricted adversarial attack against 2D range-image segmentation, using adversarial guidance from a segmentation loss. By applying guidance directly during sampling, the method produces unrestricted adversarial examples that remain close to the learned LiDAR data manifold while inducing structured segmentation errors. Experiments on the SemanticKITTI dataset using RangeNet++ and CENet segmentation networks demonstrate that the attack provides adjustable degradation across guidance strengths and transfers across segmentation architectures. Compared with norm-bounded FGSM and SegPGD baselines, the proposed attack offers a distinct effectiveness-realism trade-off, achieving controllable white-box and transfer degradation while maintaining competitive distributional and visual realism.
• Abstract（参考訳）: LiDARセマンティックセグメンテーションは自動運転における重要な認識タスクであり、誤った予測が下流の計画や安全クリティカルな意思決定に影響を与える可能性がある。 逆行攻撃、特に逆行攻撃は画像分類と3次元点雲分割のために広く研究されているが、非制限逆行攻撃例は3次元点雲の射影である2次元領域画像の空間においてほとんど探索されていない。 提案手法は,我々の知る限りでは,2次元画像分割に対する拡散型非制限逆行攻撃であり,セグメント化損失からの逆方向誘導を用いた。 サンプリング中に直接ガイダンスを適用することで、構造化セグメンテーションエラーを誘導しながら、学習したLiDARデータ多様体に近接した非制限逆例を生成する。 RangeNet++とCENetセグメンテーションネットワークを使用したSemanticKITTIデータセットの実験は、攻撃がガイダンスの強度とセグメンテーションアーキテクチャ間の転送を調整可能な劣化を提供することを示した。 通常のFGSMとSegPGDベースラインと比較して、提案攻撃は、競合する分布性および視覚的リアリズムを維持しつつ、制御可能なホワイトボックスと転送劣化を達成し、明確な有効現実主義トレードオフを提供する。

関連論文リスト

• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• Overlap-Aware Feature Learning for Robust Unsupervised Domain Adaptation for 3D Semantic Segmentation [9.578322021478426]
  3Dポイントクラウドセマンティックセグメンテーション(PCSS)は、ロボットシステムと自律運転における環境認識の基礎である。 既存の方法は、現実の摂動(例えば、雪、霧、雨)と敵の歪みに固有の脆弱性を批判的に見落としている。 この研究は、まず、現在のPCSS-UDAロバスト性を損なう2つの本質的な制限を特定する。 1) 強靭性指標による敵攻撃・破壊タイプに対するレジリエンスを定量化する頑健性評価モデル,2) 注意誘導重複抑制による識別構造を維持しつつ,双方向のドメインマッピングを可能にする非可逆的注意アライメントモジュール(IAAM) とからなる三部構成のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-02T12:16:23Z)
• Fine-Grained Spatial and Verbal Losses for 3D Visual Grounding [54.50661247353241]
  3Dビジュアルグラウンドリングは、付随する言語記述によって参照される3Dシーンのインスタンスを識別する。 ほとんどの手法は、予測された候補インスタンス上の分布に対する基本的な教師付きクロスエントロピー損失に依存している。 本稿では,3次元視覚的接地における2つの新たな損失について紹介する。各インスタンスから接地構造参照インスタンスへの回帰ベクトルオフセットに対する視覚レベルオフセットの損失と,参照インスタンスの単語レベルスパンの予測における言語関連スパンの損失である。
  論文  参考訳（メタデータ） (2024-11-05T18:39:25Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• 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)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)

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。