論文の概要: JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision

• arxiv url: http://arxiv.org/abs/2607.22172v1
• Date: Fri, 24 Jul 2026 10:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.113078
• Title: JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision
• Title（参考訳）: JustDepth:シングルスキャンLiDARスーパービジョンによるリアルタイムレーダカメラ深さ推定
• Authors: Wooyung Yun, Dongwook Kim, Soomok Lee,
• Abstract要約: JustDepthは、レーダー、カメラ、シングルスキャンLiDARのみで訓練された、単一ステージのレーダーカメラ深度推定装置である。 ハイトフュージョンブロックはモダリティを融合し、軽量のGNNは世界規模で深さを伝播し、トレーニング専用の信頼度デコーダはテスト時間コストゼロで学習を安定化する。 nuScenesでは、最近の最先端の手法と比較して、JustDepthは推測時間を39.7倍にし、VHGRによって測定された成果物を66%削減しながら精度を維持している。
• 参考スコア（独自算出の注目度）: 2.985859733530328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate yet low-latency depth is essential for radar-camera perception in autonomous systems. Cameras provide rich appearance but lack metric scale, whereas automotive radar offers metric range but is sparse and noisy. Many pipelines are multi-stage or depend on auxiliary annotations, increasing latency and limiting portability. We introduce JustDepth, a single-stage radar-camera depth estimator trained only with radar, camera, and single-scan LiDAR. All radar returns are aggregated into a fixed-width 1D representation, decoupling runtime from point count. A Height Fusion Block fuses modalities, a lightweight GNN propagates depth globally, and a training-only confidence decoder stabilizes learning with zero test-time cost. We mitigate stripe artifacts via simple augmentations and quantify them using the Vertical-Horizontal Gradient Ratio (VHGR). On nuScenes, compared to recent state-of-the-art methods, JustDepth maintains accuracy while reducing inference time by 39.7x and stripe artifacts by 66% as measured by VHGR.
• Abstract（参考訳）: 自律システムにおけるレーダカメラの認識には,高精度かつ低レイテンシの深度が不可欠である。 カメラは外見が豊かだがメートル法スケールが欠けているのに対して、自動車レーダーはメートル法レンジを提供するが、希少でうるさい。 多くのパイプラインはマルチステージまたは補助アノテーションに依存し、レイテンシが増加し、ポータビリティが制限される。 JustDepthは、レーダー、カメラ、シングルスキャンLiDARのみで訓練された、単一ステージのレーダーカメラ深度推定装置である。 すべてのレーダリターンは固定幅の1D表現に集約され、ポイントカウントからランタイムを分離する。 ハイトフュージョンブロックはモダリティを融合し、軽量のGNNは世界規模で深さを伝播し、トレーニング専用の信頼度デコーダはテスト時間コストゼロで学習を安定化する。 ストリップアーティファクトを単純な拡張によって緩和し,垂直水平勾配比(VHGR)を用いて定量化する。 nuScenesでは、最近の最先端の手法と比較して、JustDepthは推測時間を39.7倍にし、VHGRによって測定された成果物を66%削減しながら精度を維持している。

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)
• TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
  一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。 具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。 従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
  論文  参考訳（メタデータ） (2025-04-16T05:25:04Z)
• 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)
• 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)
• CRN: Camera Radar Net for Accurate, Robust, Efficient 3D Perception [20.824179713013734]
  カメラレーダ融合フレームワークであるカメラレーダネット(CRN)を提案する。 CRNは、様々なタスクに対して意味的にリッチで空間的に正確な鳥眼視(BEV)特徴マップを生成する。 リアルタイム設定のCRNは20FPSで動作し、nuScenes上のLiDAR検出器に匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2023-04-03T00:47:37Z)
• LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
  本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。 自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
  論文  参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。