Fugu-MT 論文翻訳(概要): Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression

論文の概要: Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression

arxiv url: http://arxiv.org/abs/2608.00687v1
Date: Sat, 01 Aug 2026 14:24:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:24.867001
Title: Proteus: A Truncation-Robust Entropy Model for Progressive LiDAR Compression
Title（参考訳）: Proteus: 進行性LiDAR圧縮のためのTrincation-Robust Entropyモデル
Abstract要約: Proteusは、2Dレンジイメージで動作する学習済みLiDARである。 Proteusは70%のビットストリーム切断を許容する一方で、確立された標準よりも優れています。
参考スコア（独自算出の注目度）: 21.98753379933845
License: http://creativecommons.org/licenses/by/4.0/
Abstract: LiDAR point clouds provide explicit, deterministic physical boundaries critical for collaborative safety-critical perception. However, wireless channels inherently impair and corrupt transmitted signals. Existing robust frameworks (such as deep JSCC or MDC) attempt to counter these channel impairments through statistical or parametric estimation, turning exact physical measurements into unverified algorithmic estimates. To address this, we propose Proteus, a learned LiDAR codec operating on 2D range images. By decoupling the frame representation into independent coders for the \textbf{sig}nificant range bit-planes (SIG) and the \textbf{ins}ignificant range bit-planes and attributes (INS), Proteus achieves overall stream-level truncation robustness. The non-truncatable SIG block encodes the most significant range bit-planes to establish a necessary, self-contained perceptual lower bound, below which the reconstructed point cloud is severely degraded. Meanwhile, INS employs bit-plane slicing representation and coding, ensuring that range truncation mathematically maps to a deterministic spatial precision degradation. Subordinate attributes are reconstructed via a hybrid lossless-predictive method, leveraging the decoded geometry as a strong structural prior for fine-grained approximation. Furthermore, strategic ordering within INS prioritizes geometry over attributes under bandwidth drops. Experimental results on the Waymo Open Dataset and SemanticKITTI demonstrate that Proteus tolerates up to approximately 70\% bitstream truncation, while outperforming established standards (G-PCC, Draco, and JPEG XL) and the representative learned compressor Unicorn under ideal channel conditions.
Abstract（参考訳）: LiDARの点雲は、協調的安全クリティカルな知覚に不可欠な明示的で決定論的物理的境界を提供する。しかし、無線チャネルは本質的に障害があり、送信信号が破損する。既存の堅牢なフレームワーク(ディープJSCCやMDCなど)は、統計的またはパラメトリックな推定によってこれらのチャネル障害に対処しようと試み、正確な物理的測定を未検証のアルゴリズム的推定に変換する。そこで本研究では,2Dレンジ画像を用いた学習用LiDARコーデックProteusを提案する。フレーム表現をSIGとINSの独立符号に分解することで、Proteusは全体のストリームレベルのトランケーションロバスト性を達成する。計算不能なSIGブロックは、必要で自己完結した知覚的下界を確立するために最も重要なビットプレーンを符号化する。一方、INSはビット平面スライシング表現と符号化を採用し、その範囲の切り離しを数学的に決定論的空間精度劣化にマップする。副次属性はハイブリッドロスレス予測法により再構成され、デコードされた幾何を微細な近似のための強い構造的前駆体として活用する。さらに、INS内の戦略的順序付けは、帯域幅の減少の下での属性よりも幾何を優先する。 Waymo Open Dataset と SemanticKITTI の実験結果から,Proteus は標準規格(G-PCC,Draco,JPEG XL)と学習用圧縮機Unicorn を理想的なチャネル条件で上回りながら,最大で70 % のビットストリーム切断を許容することが示された。

関連論文リスト

Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。既存の防衛は「ユークリッドバイアス」に苦しむセキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
論文参考訳（メタデータ） (2026-08-11T23:20:15Z)
Packet-Loss Robust 3D Gaussian Compression via Atomic Packaging and GNN-based Error Concealment [3.679539308969595]
パケットロスによるロバストな3DGS伝送とエラー隠蔽フレームワークを提案する。ハッシュグリッド前処理にクロスアテンションを持つ軽量な2層グラフニューラルネットワークは、高周波特性残基を洗練する。 BungeeNeRF, Mip-NeRF 360, Tanks and Temples で20%以下のランダムパケットロス実験を行った結果, 提案手法は非連続伝送よりも大幅に改善されていることがわかった。
論文参考訳（メタデータ） (2026-07-20T13:13:38Z)
Weaving Light and Time: Unified Harmonic-Geometric Representation Learning for Dense RGB-Event Parsing [55.13802890769086]
我々は、専用のRGB-Event解析用に特別に設計された最初の統一バックボーンであるEvitaを紹介する。深いモーダルなシナジーを達成するため、Evitaはすべてのエンコーダ層に直接固有のコラーニングモジュール群を組み込む。 Evitaは、リアルタイムマルチモーダル認識において、より優れた精度とレイテンシのトレードオフを提供しながら、新しい最先端メトリクスを確立する。
論文参考訳（メタデータ） (2026-07-10T06:52:09Z)
Physics-Informed Structure Anchoring With Capture-Aware Prototype Calibration for Cross-Environment RF Fingerprinting [9.281236432794417]
RFFI(Radio frequency fingerprint Identification)は、IoT(Internet of Things)デバイス用の送信機固有のハードウェア不完全性を利用する。本稿では,PISA-CAPC(Captain-Aware prototype calibration)を固定した物理情報構造を提案し,表現と判定のミスマッチに対処する。
論文参考訳（メタデータ） (2026-07-06T13:23:50Z)
Exploring the Limits of End-to-End Feature-Affinity Propagation for Single-Point Supervised Infrared Small Target Detection [6.7126559398433665]
単一点制御赤外線小ターゲット検出(IRSTD)は、高密度アノテーションのコストを大幅に削減する。現在のSOTA(State-of-the-art)手法は、マスクの監督を明示的でオフラインな擬似ラベル構成によって回収することにより、高精度を実現する。最小限の代替策として、オンラインのポイント・ツー・マスク・イン・バッチ、ポイント・アンカレド・フィーチャー・アフィニティ・プロパゲーションを通じて、ポイント・ツー・マスクをオンラインに生成する手法について検討する。
論文参考訳（メタデータ） (2026-05-01T15:08:46Z)
Towards Practical Lossless Neural Compression for LiDAR Point Clouds [84.36825469211375]
高精度な幾何学的詳細の極端に広い範囲は、効率的な文脈モデリングを妨げる。私たちのフレームワークは2つの軽量モジュールで構成されています。実験では、リアルタイムに競争力のある圧縮性能を示す。
論文参考訳（メタデータ） (2026-03-26T10:02:07Z)
TopoMesh: High-Fidelity Mesh Autoencoding via Topological Unification [44.632513151214084]
TopoMeshは、GTと予測メッシュを、共有デュアルマーチングキューブ(DMC)トポロジフレームワークで統合した、スパースボクセルベースのVAEである。我々のデコーダは同じDMCフォーマットでメッシュを出力し、予測とターゲットのメッシュが同じトポロジ構造を共有することを保証します。大規模な実験により、TopoMeshは再建忠実度において既存のVAEを著しく上回っていることが示された。
論文参考訳（メタデータ） (2026-03-25T13:10:34Z)
AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。 AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
論文参考訳（メタデータ） (2026-01-14T20:56:50Z)
HSCP: A Two-Stage Spectral Clustering Framework for Resource-Constrained UAV Identification [16.880773405024126]
本稿では,階層型スペクトルクラスタリング・プルーニングフレームワークHSCPを紹介する。層プルーニングとチャネルプルーニングを組み合わせることで、極端な圧縮、高性能、効率的な推論を実現する。 UAV-M100ベンチマークの実験は、HSCPが既存のチャネルおよび層プルーニング法より優れていることを示した。
論文参考訳（メタデータ） (2025-12-05T16:03:53Z)
Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
論文参考訳（メタデータ） (2025-08-28T06:36:10Z)
DiffCom: Decoupled Sparse Priors Guided Diffusion Compression for Point Clouds [54.96190721255167]
ロスシー圧縮は、ポイントクラウドをストレージの潜在ポイントに変換するためのオートエンコーダに依存している。本稿では,特に低レベルにおいて高い復元品質を実現するための拡散型フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-21T05:41:35Z)
Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions [7.734037486455235]
我々は,ポイントクラウドの破損に対するロバスト性を改善するために,ポイントSPという拡張されたポイントクラウドサンプリングプロトコルを提案する。 PointSPはキーポイント再重み付けを導入し、外部感度を緩和し、代表点の選択を確実にする。また、スケーラブルで適応的なサンプリングを可能にする、局所的なバランスの取れたダウンサンプリング戦略も導入されている。
論文参考訳（メタデータ） (2024-08-22T01:48:31Z)

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。