論文の概要: You Only Flow Once: Calibrated and Real-Time Radar Pose Estimation with Multi-Hypothesis Normalizing Flows
- arxiv url: http://arxiv.org/abs/2608.09579v1
- Date: Mon, 10 Aug 2026 13:15:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.284391
- Title: You Only Flow Once: Calibrated and Real-Time Radar Pose Estimation with Multi-Hypothesis Normalizing Flows
- Title（参考訳）: 一度だけフローする:多相正規化フローを用いた校正およびリアルタイムレーダポーズ推定
- Abstract要約: レーダーポイントの雲は、しばしば複数の可視的な人間のポーズに対応し、決定論的ポーズ推定を根本的に不適切にする。
拡散に基づく代替手段は、多相分布をモデル化できるが、各分布サンプルに対してコストがかかる。
条件付きフローバックボーンを用いて,レーダ点雲からの分布をモデル化したMH-Gを提案する。
- 参考スコア（独自算出の注目度）: 5.241472125982733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse and noisy millimeter-wave radar point cloud observations often correspond to multiple plausible human poses, making deterministic pose estimation fundamentally ill-posed. Yet existing radar methods remain deterministic, collapsing this ambiguity into a single estimate. Diffusion-based alternatives can model multi-hypothesis distributions but require costly sequential denoising for each distribution sample and lack calibrated uncertainty. We propose Multi-Hypothesis Normalizing Flow Pose Generator (MH-NFPG), which models pose distributions from radar point clouds using a conditional normalizing flow. Specifically, we combine a spatiotemporal transformer backbone with a normalizing flow that transforms a Laplace base distribution into an expressive posterior, generated in parallel through a single forward pass. Leveraging this efficiency, we outperform diffusion-based alternatives in calibration across three radar benchmarks (MM-Fi, mmRadPose, mRI), improve pose accuracy on two, and match it on the third, while achieving over 20x faster inference for applications and reducing calibration error by up to 85%. We find that calibration degrades substantially for diffusion models, whereas our flow-based approach maintains reliable coverage, also in cross-environment settings. These results demonstrate normalizing flows as a practical alternative to diffusion models for real-time, uncertainty-aware radar pose estimation. Our code will be made publicly available.
- Abstract（参考訳）: スパースとノイズのミリ波レーダーポイントの雲の観測は、しばしば複数の可視的な人間のポーズに対応し、決定論的ポーズ推定は基本的に不適切である。
しかし、既存のレーダー手法は決定論的であり、この曖昧さを1つの見積もりに分解する。
拡散に基づく代替手段は、多仮説分布をモデル化することができるが、各分布サンプルに対してコストがかかるシーケンシャルな復調が必要であり、校正の不確かさが欠如している。
本稿では,MH-NFPG(Multi-Hypothesis Normalizing Flow Pose Generator)を提案する。
具体的には、時空間変圧器のバックボーンと正規化フローを組み合わせることで、ラプラス基底分布を1つの前方通過を通して平行に発生する表現的後部へと変換する。
この効率を生かして、3つのレーダベンチマーク(MM-Fi, mmRadPose, mRI)でのキャリブレーションにおける拡散ベースの代替手段よりも優れており、2つのレーダのポーズ精度を改善し、3番目のレーダでマッチングし、アプリケーションに対する20倍以上高速な推論を実現し、キャリブレーション誤差を最大85%削減する。
拡散モデルではキャリブレーションが著しく低下するのに対して,フローベースアプローチは環境横断環境においても信頼性の高いカバレッジを維持している。
これらの結果は,リアルタイム不確実性を考慮したレーダポーズ推定のための拡散モデルの実用的な代替手段として,フローの正規化を示す。
私たちのコードは公開されます。
関連論文リスト
- Spectral Prior for Reducing Exposure Bias in Diffusion Models [37.66268273278838]
本稿では,中間予測のパワースペクトルを事前計算に校正する,軽量なガイダンスに基づく手法を提案する。
提案手法は,(1)訓練データからのパラメトリックスペクトルモデルのオフライン適用,(2)効率的なFFT勾配による露出推定の2段階からなる。
論文 参考訳（メタデータ） (2026-07-24T08:37:04Z) - Sobolev Regularized MMD Gradient Flow [22.929984194375805]
勾配規則化MDD流の正規化変種を提案する。
提案した正規化は、平均核平均埋め込みの違いを緩和する。
提案した流れの重要な特徴は、両方のサンプリング(非正規化対象分布からの)に適用可能であることである。
論文 参考訳（メタデータ） (2026-05-12T09:58:19Z) - Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration [58.19554276924402]
スペクトル拡散特徴予測器(Spectrum)を提案する。
我々はFLUX.1で4.79$times$スピードアップ、Wan2.1-14Bで4.67$times$スピードアップを達成する。
論文 参考訳（メタデータ） (2026-03-02T08:59:11Z) - Diffusion Model-Based Posterior Sampling in Full Waveform Inversion [3.2800968305157205]
観測記録の後方サンプリングは フィールドスケールでは めったに実用的ではない
提案手法は,拡散型後方サンプリングと同時音源波形インバージョンデータを組み合わせた手法である。
提案手法は, モデル誤差の低減と, 計算コストの大幅な削減を実現する。
論文 参考訳（メタデータ） (2025-12-14T18:34:12Z) - Score Distillation of Flow Matching Models [67.86066177182046]
我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。
SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。
これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
論文 参考訳（メタデータ） (2025-09-29T17:45:48Z) - Gaussian Mixture Flow Matching Models [63.092956669059824]
拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。
離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。
本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
論文 参考訳（メタデータ） (2025-04-07T17:59:42Z) - Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。
拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。
我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
論文 参考訳（メタデータ） (2025-01-22T18:52:06Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。
拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。
異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
論文 参考訳（メタデータ） (2024-03-08T14:06:15Z)
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。