論文の概要: MapTCL: Temporal Consistency Learning via Bidirectional Alignment for Vectorized HD Map Construction

• arxiv url: http://arxiv.org/abs/2608.05209v1
• Date: Wed, 05 Aug 2026 08:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.74664
• Title: MapTCL: Temporal Consistency Learning via Bidirectional Alignment for Vectorized HD Map Construction
• Title（参考訳）: MapTCL: ベクトル化HDマップ構築のための双方向アライメントによる時間一貫性学習
• Abstract要約: 本研究では,現在のフレームと過去のフレーム間の時間的一貫性損失を定式化するMapTCLを提案する。 これら2つの損失を共同でトレーニングすることで、MapTCLは生成されたHDマップの時間的安定性を向上させる。
• 参考スコア（独自算出の注目度）: 13.437125894280541
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Constructing reliable online HD maps remains challenging in dynamic urban environments due to moving objects and occlusions. While recent works employ feature-level temporal fusion to address this, they rely solely on per-frame ground truth supervision. Consequently, they lack an explicit objective to directly penalize the geometric noise and temporal jitter between consecutive online HD maps. To address this, we propose MapTCL, an auxiliary training strategy that formulates temporal consistency loss between current and past frames via bidirectional alignment. Specifically, Bidirectional Vector Consistency Learning (BVCL) models the geometric and semantic discrepancies between associated past and current vector instances as an auxiliary loss. We also employ Raster map Consistency Learning (RCL) as an additional loss to stabilize dense BEV features. By jointly training with these dual losses, MapTCL improves the temporal stability of generated HD maps. Extensive experiments on two standard benchmarks demonstrate the effectiveness of our approach. As a versatile plug-and-play module, MapTCL consistently enhances existing baseline models, achieving gains of +3.7 mAP & +2.8 C-mAP on nuScenes and +3.1 mAP & +2.5 C-mAP on Argoverse 2 without additional inference overhead.
• Abstract（参考訳）: 移動物体や閉塞物により、動的都市環境において信頼性の高いオンラインHDマップの構築は依然として困難である。 最近の研究では、この機能に対処するために、機能レベルの時間融合を採用しているが、それらはフレーム単位の真実の監督にのみ依存している。 その結果、連続するオンラインHDマップ間で幾何学的ノイズと時間的ジッタを直接ペナルティ化する明確な目的が欠如している。 そこで本稿では,現行フレームと過去のフレーム間の時間的一貫性損失を双方向アライメントによって定式化する,MapTCLを提案する。 具体的には、BVCL(Bidirectional Vector Consistency Learning)は、関連する過去と現在のベクトルインスタンス間の幾何学的および意味的な相違を補助的損失としてモデル化する。 また、高密度なBEV機能を安定させるために、Raster Map Consistency Learning (RCL) も追加の損失として採用しています。 これら2つの損失を共同でトレーニングすることで、MapTCLは生成されたHDマップの時間的安定性を向上させる。 2つの標準ベンチマークに関する大規模な実験は、我々のアプローチの有効性を実証している。 汎用的なプラグアンドプレイモジュールとして、MapTCLは既存のベースラインモデルを一貫して強化し、nuScenesでは+3.7 mAP & +2.8 C-mAP、Argoverse 2では+3.1 mAP & +2.5 C-mAPのゲインを得た。

関連論文リスト

• OptiMVMap: Offline Vectorized Map Construction via Optimal Multi-vehicle Perspectives [111.69010751405368]
  オフラインベクトル化マップは、高精度の自動運転およびマッピングサービスの重要な基盤となっている。 既存のアプローチは、基本的に視点の不十分さに苦しむ1つのエゴ車軌道に大きく依存している。 本稿では,これらの課題に体系的に対処するために,多車種対応マップを選択型ヒューズ問題として再構成するOptiMVMapを提案する。
  論文  参考訳（メタデータ） (2026-04-18T20:23:27Z)
• MapGCLR: Geospatial Contrastive Learning of Representations for Online Vectorized HD Map Construction [44.37176678126708]
  自動運転車は周囲の世界を理解するために地図情報に依存している。 よりスケーラブルな代替手段は、オンラインのHDマップ構築にある。 本研究は、ベクトル化されたオンラインHDマップ構築モデルにおいて、潜伏鳥眼ビュー(BEV)特徴グリッド表現を改善することに焦点を当てる。 我々は、単一トラバーサルラベル付きデータの縮小セットを用いて教師付き同じモデルを訓練し、マルチトラバーサル要求に従ってより広範なラベル付きデータセットに基づいて自己教師する。
  論文  参考訳（メタデータ） (2026-03-11T11:58:23Z)
• DAMap: Distance-aware MapNet for High Quality HD Map Construction [64.36189046749038]
  現在の手法は、固有のタスクのミスアライメントにより、高品質な予測が不十分である。 DAMapと呼ばれる新しいHDマップ構築手法を開発し,これらの問題に対処する。 DAMapは3つのコンポーネントで構成されている: 距離対応のFocal Loss (DAFL), Hybrid Loss Scheme (HLS), Task Modulated Deformable Attention (TMDA)。
  論文  参考訳（メタデータ） (2025-10-26T13:29:26Z)
• RTMap: Real-Time Recursive Mapping with Change Detection and Localization [8.343318095882232]
  RTMapは、自己進化メモリとして、マルチトラバースHDマップを継続的にクラウドソーシングする。 オンボードエージェントでは、RTMapはエンドツーエンドの方法で、同時に3つのコア課題に対処する。 いくつかの公道自動運転データセットの実験は、事前支援された地図の品質と位置決め精度の両方において、我々の確固たる性能を実証している。
  論文  参考訳（メタデータ） (2025-07-01T17:32:30Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
  我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。 このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。 実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
  論文  参考訳（メタデータ） (2024-09-13T10:15:28Z)
• DTCLMapper: Dual Temporal Consistent Learning for Vectorized HD Map Construction [20.6143278960295]
  本稿では,時間的インスタンス整合性と時間的マップ整合性学習に焦点を当てた。 DTCLMapperは、インスタンスの埋め込みとジオメトリマップを組み合わせた、双方向ストリームの時間一貫性学習モジュールである。 良く認識されたベンチマーク実験から,提案したDTCLMapperはベクトル化されたマッピングタスクにおいて最先端のパフォーマンスを達成することが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T02:58:55Z)
• ADMap: Anti-disturbance framework for reconstructing online vectorized HD map [9.218463154577616]
  本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。 点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2024-01-24T01:37:27Z)
• Towards Real-World Visual Tracking with Temporal Contexts [64.7981374129495]
  時間的文脈を効率的に活用できる2段階フレームワーク(TCTrack)を提案する。 これに基づいて、現実世界の視覚的トラッキング、すなわちTCTrack++のためのより強力なバージョンを提案する。 特徴抽出のために,空間的特徴を高めるために注意に基づく時間適応的畳み込みを提案する。 類似性マップの改良のために,時間的知識を効率的に符号化する適応型時間的変換器を導入する。
  論文  参考訳（メタデータ） (2023-08-20T17:59:40Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。