論文の概要: Multi-Sensor Alignment for Weather Simulations

• arxiv url: http://arxiv.org/abs/2607.25612v1
• Date: Tue, 28 Jul 2026 11:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.818428
• Title: Multi-Sensor Alignment for Weather Simulations
• Title（参考訳）: 気象シミュレーションのためのマルチセンサアライメント
• Abstract要約: 自動運転車の認識タスクは、悪天候下で十分に機能する必要がある。 シミュレーションが現実世界の気象データを忠実に反映するためには、異なるセンサー間での重大さや粒子の位置決めなど、同じ気象特性を表現することが不可欠です。 本研究では,雨雪における粒子配置アライメントのための基準データセットアライメント法 (ReDAM) と統一気象エジット (Unified-Weather-edit) を提案する。
• 参考スコア（独自算出の注目度）: 1.9021908527898033
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Perception tasks for autonomous vehicles need to work satisfactorily in adverse weather conditions. Due to lack of real-world weather datasets, weather simulations are a promising alternative. To ensure simulations closely mirror real-world weather data, it's crucial that they represent the same weather characteristics, including severity and particle positioning, across different sensors. To achieve this, we propose the Reference Dataset Alignment Method (ReDAM) for weather intensity alignment in fog and Unified-weather-edit (inspired by Weather-edit[1]) for particle positioning alignment in rain and snow. We validate both alignment methods using statistical and geometrical tests, respectively. We find that 3D detection models for non-aligned versions tend to be overly optimistic as compared to aligned versions. We also show the aligned-multi-sensor simulation's effectiveness for achieving robustness for 3D object detection task by finetuning existing sensor fusion models on it.
• Abstract（参考訳）: 自動運転車の認識タスクは、悪天候下で十分に機能する必要がある。 実際の気象データがないため、気象シミュレーションは有望な代替手段だ。 シミュレーションが現実世界の気象データを忠実に反映するためには、異なるセンサー間での重大さや粒子の位置決めなど、同じ気象特性を表現することが不可欠です。 これを実現するために,霧中の気象強度アライメントのための参照データセットアライメント法 (ReDAM) と,降雪中の粒子位置アライメントのための統一ウェザーエジット (Weather-edit[1]) を提案する。 統計的および幾何学的手法を用いてアライメント法を検証した。 非アライメントバージョンに対する3D検出モデルは、アライメントバージョンに比べて過度に楽観的である傾向にある。 また,既存のセンサフュージョンモデルを微調整することにより,3次元物体検出タスクの堅牢性を実現するためのアライメントマルチセンサシミュレーションの有効性を示す。

関連論文リスト

• Controllable Weather Synthesis and Removal with Video Diffusion Models [61.56193902622901]
  WeatherWeaverは、様々な気象効果を直接入力ビデオに合成するビデオ拡散モデルである。 本モデルは,気象効果の強度を正確に制御し,様々な気象タイプをブレンドし,現実主義と適応性の両方を保証する。
  論文  参考訳（メタデータ） (2025-05-01T17:59:57Z)
• DSO: Aligning 3D Generators with Simulation Feedback for Physical Soundness [79.4785166021062]
  ほとんどの3Dオブジェクトジェネレータは審美的品質を優先し、実際的な用途に必要な物理的な制約を無視している。 安定な3Dオブジェクトを生成するための従来のアプローチは、テスト時に幾何を最適化するために微分可能な物理シミュレータに頼っていた。 このフレームワークは、(微分不可能な)シミュレータからのフィードバックを活用し、3Dジェネレータが安定な3Dオブジェクトを直接出力する可能性を高める。
  論文  参考訳（メタデータ） (2025-03-28T17:59:53Z)
• MonoWAD: Weather-Adaptive Diffusion Model for Robust Monocular 3D Object Detection [22.277210748714378]
  既存の手法は主に理想的な気象条件下での3D検出に重点を置いており、明瞭で最適な視界を持つシナリオが特徴である。 気象適応拡散モデルを用いた新規な気象ロバストなモノクロ3D物体検出器MonoWADを紹介する。 様々な気象条件下での実験では、MonoWADは天候に乱れたモノクロ3D物体の検出を達成している。
  論文  参考訳（メタデータ） (2024-07-23T12:58:49Z)
• Sunshine to Rainstorm: Cross-Weather Knowledge Distillation for Robust 3D Object Detection [26.278415287992964]
  従来の研究では、雨からの騒音をシミュレートし、検出モデルの堅牢性を改善することで、この問題に対処しようと試みてきた。 本研究では,動的・降雨環境理論を統一した新しい降雨シミュレーション手法DRETを提案する。 また,降雨条件下での3次元検出を強化するために,サニー・ツー・レイニー知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-02-28T17:21:02Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• 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。