論文の概要: GSRAIN: Physically Calibrated High-/Low-Frequency Rainfall Synthesis for 3D Gaussian Driving Scenes
- arxiv url: http://arxiv.org/abs/2608.02177v1
- Date: Mon, 03 Aug 2026 12:57:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.571063
- Title: GSRAIN: Physically Calibrated High-/Low-Frequency Rainfall Synthesis for 3D Gaussian Driving Scenes
- Title（参考訳）: GSRAIN:3次元ガウス運転シーンのための物理校正・低周波降雨合成
- Abstract要約: GSRAINは3Dガウススプラッティング(3DGS)駆動シーンの高・低周波降雨合成法である。
提案手法は,149.09 の Fréchet Inception Distance (FID) を実現し,CycleGAN-Turbo (155.71) と WeatherEdit (157.94) より優れていた。
- 参考スコア（独自算出の注目度）: 5.239786600452129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing rainfall simulation methods for autonomous driving remain limited in physical controllability and multi-view consistency. This paper presents GSRAIN, a high-/low-frequency rainfall synthesis method for 3D Gaussian Splatting (3DGS) driving scenes. GSRAIN constructs a high-frequency raindrop model from measured rainfall data and generates low-frequency rainy appearance using a geometry-aware single-step diffusion model. The two effects are then fused in a unified 3DGS scene, enabling rainfall-intensity control over the range of 0--13~mm/h. The proposed method achieves a Fréchet Inception Distance (FID) of 149.09, outperforming CycleGAN-Turbo (155.71) and WeatherEdit (157.94). Object-detection and closed-loop driving experiments further show that the generated scenes expose scene-dependent performance changes of the evaluated algorithms under controllable rainfall. These results indicate that GSRAIN provides an effective approach for constructing physically controllable, repeatable, and closed-loop-compatible rainy-weather test scenes for autonomous driving.
- Abstract（参考訳）: 既存の自動走行のための降雨シミュレーション手法は、物理制御性と多視点整合性に制限されている。
本稿では,3次元ガウススプラッティング(3DGS)運転シーンの高・低周波降雨合成法であるGSRAINについて述べる。
GSRAINは, 計測降雨データから高頻度降雨量モデルを構築し, 幾何学的一段階拡散モデルを用いて低周波降雨量を生成する。
2つの効果は統合された3DGSシーンで融合され、0-13~mm/hの範囲での降雨強度制御を可能にする。
提案手法は,149.09のFréchet Inception Distance(FID)を実現し,CycleGAN-Turbo(155.71),WeatherEdit(157.94)より優れていた。
さらに、オブジェクト検出および閉ループ駆動実験により、生成したシーンは、制御可能な降雨条件下での評価アルゴリズムのシーン依存的な性能変化を明らかにする。
これらの結果から、GSRAINは、自動走行のための物理的に制御可能で、繰り返し可能で、閉ループ対応のレインウェザーテストシーンを構築するための効果的なアプローチを提供することが示された。
関連論文リスト
- Raindrop GS: A Benchmark for 3D Gaussian Splatting under Raindrop Conditions [23.642500549050027]
RaindropGSは、3DGSのパイプライン全体を評価するために設計されたベンチマークである。
まず,実世界の雨滴復元データセットを収集し,各シーンに3つの整列した画像を含む。
本研究では, 既存の3DGS法の性能限界に対する重要な洞察を, 総合的な実験と分析を通じて明らかにした。
論文 参考訳（メタデータ） (2025-10-20T16:36:15Z) - Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。
マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。
降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-22T15:50:00Z) - PRE-Mamba: A 4D State Space Model for Ultra-High-Frequent Event Camera Deraining [47.81253972389206]
イベントカメラは高時間分解能とダイナミックレンジで優れるが、降雨条件下では高密度ノイズに悩まされる。
イベントデライニングのための新しいポイントベースカメラフレームワークであるPre-Mambaを提案する。
論文 参考訳（メタデータ） (2025-05-08T14:52:45Z) - DeRainGS: Gaussian Splatting for Enhanced Scene Reconstruction in Rainy Environments [4.86090922870914]
本研究では, 降雨環境における3次元再構築の課題について紹介する(3DRRE)。
このタスクをベンチマークするために、合成画像と実世界のシーン画像の両方の多様なコレクションからなるHydroViewsデータセットを構築した。
降雨環境の復元に適した3DGS法であるDeRainGSを提案する。
論文 参考訳（メタデータ） (2024-08-21T11:39:18Z) - TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - 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) - Challenges of YOLO Series for Object Detection in Extremely Heavy Rain:
CALRA Simulator based Synthetic Evaluation Dataset [0.0]
様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。
これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。
本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
論文 参考訳（メタデータ） (2023-12-13T08:45:57Z) - Hierarchical-level rain image generative model based on GAN [4.956959291938016]
階層レベルの降雨画像生成モデルである雨条件型CycleGANを構築した。
条件付きGANでは、異なる降雨強度がラベルとして導入されている。
モデル構造を最適化し、モード崩壊の問題を緩和するためにトレーニング戦略を調整する。
論文 参考訳（メタデータ） (2023-09-06T12:59:52Z) - 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) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z)
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。