Fugu-MT 論文翻訳(概要): RbFT-Net: Rectify-Before-Fuse Temporal Radar Anchors for 4D Radar-Camera Depth Completion

論文の概要: RbFT-Net: Rectify-Before-Fuse Temporal Radar Anchors for 4D Radar-Camera Depth Completion

arxiv url: http://arxiv.org/abs/2608.13102v1
Date: Thu, 13 Aug 2026 11:26:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.502075
Title: RbFT-Net: Rectify-Before-Fuse Temporal Radar Anchors for 4D Radar-Camera Depth Completion
Title（参考訳）: RbFT-Net:4次元レーダー・カメラ深度完了のための整形型仮設レーダーアンカー
Abstract要約: レーダー測定は本質的にスパースであり、乱れ、マルチパス反射、投射誤差の影響を受けやすい。 RbFT-Netは,マルチフレーム4次元レーダカメラの深度補正のためのエンドツーエンドフレームワークである。 ZJU-4DRadarCamと新たに収集された4Dレーダーカメラ-LiDARデータセットの実験は、RbFT-Netが独立レーダーカメラ法より一貫して優れていることを示している。
参考スコア（独自算出の注目度）: 20.340336916195053
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Dense metric depth prediction from cameras and millimeter-wave radar offers a cost-effective sensing solution for autonomous systems. However, radar measurements are inherently sparse and susceptible to clutter, multipath reflections, and projection errors. While aggregating multiple radar frames provides denser metric cues, it also introduces temporal misalignment and dynamic-object interference. Directly propagating such unreliable measurements can therefore corrupt large regions of the predicted depth map. To address this issue, we propose RbFT-Net, an end-to-end rectify-before-fuse framework for multi-frame 4D radar-camera depth completion. Rather than assuming accumulated radar returns to be accurate, RbFT-Net treats them as noisy temporal anchor candidates. An image-conditioned rectification module jointly corrects their image-plane locations and metric depths while estimating pointwise reliability. The rectified anchors are then selectively propagated before high-level multi-modal fusion, suppressing the influence of unreliable measurements. Experiments on ZJU-4DRadarCam and a newly collected 4D radar-camera-LiDAR dataset show that RbFT-Net consistently outperforms the evaluated independent radar-camera methods and remains competitive with plug-in pipelines using auxiliary monocular depth models. Cross-platform evaluation and component analyses further support the effectiveness of the proposed rectification and reliability-aware propagation strategy.
Abstract（参考訳）: カメラとミリ波レーダによる高密度距離予測は、自律システムに対するコスト効率の高いセンシングソリューションを提供する。しかし、レーダー測定は本質的にはスパースであり、乱れ、マルチパス反射、投射誤差の影響を受けやすい。複数のレーダーフレームを集約することで、より密集した計量の手がかりが得られる一方で、時間的ミスアライメントや動的物体干渉ももたらされる。このような信頼できない測定を直接伝播することは、予測された深度マップの広い領域を破損させる可能性がある。この問題に対処するため,マルチフレーム4Dレーダカメラの奥行き補正を行うフレームワークであるRbFT-Netを提案する。 RbFT-Netは、蓄積されたレーダーが正確であると仮定するのではなく、ノイズの多い一時的なアンカー候補として扱う。画像条件補正モジュールは、ポイントワイズ信頼性を推定しながら、画像平面の位置とメートル法深さを共同で補正する。整流アンカーは高レベルのマルチモーダル核融合の前に選択的に伝播され、信頼できない測定の影響を抑える。 ZJU-4DRadarCamと新たに収集された4Dレーダーカメラ-LiDARデータセットの実験により、RbFT-Netは評価された独立レーダーカメラ法より一貫して優れており、補助的な単眼深度モデルを用いてプラグインパイプラインと競合していることが示された。クロスプラットフォーム評価およびコンポーネント分析は、提案した修正および信頼性に配慮した伝搬戦略の有効性をさらに支援する。

関連論文リスト

RLG-TPV: Radar- and LiDAR-Guided Tri-Perspective View Fusion for Camera-Radar 3D Object Detection [0.0]
Tri-Perspective View (TPV) 表現は、上部、側面、前面の特徴面を通しての3Dシーン構造を記述する。レーダとトレーニングタイムのLiDARが相補的な幾何学的ガイダンスを提供するカメラレーダ3Dオブジェクト検出のためのフレームワークであるRCG-TPVを提案する。
論文参考訳（メタデータ） (2026-08-29T11:08:11Z)
RaDiVe: Robust 4D Radar Odometry with Distance-Bounded NDT and Velocity-Discrepancy Point Uncertainty [12.2982667950681]
RaDiVeは、レーダーポイントクラウド登録の精度と堅牢性を改善するために設計された4Dレーダーオドメトリーフレームワークである。距離制限付き正規分布変換(NDT)を導入し,最適化安定性と計算効率を向上させる。我々は、暗黙的ニューラルマッピングによるサイン付き距離関数(SDF)に基づく表面点抽出を組み込んで、幾何学的に一貫性がありノイズフィルタリングされた局所部分マップを構築する。
論文参考訳（メタデータ） (2026-07-30T11:26:41Z)
RadarSim: Simulating Single-Chip Radar via Multimodal Neural Fields [49.41438378775056]
レーダーはカメラの理想的な補完であり、カメラは細かな角分解能を提供し、レーダーは悪天候下でメートル法的な深さと頑丈さを提供する。 RadarSimはレーダーのみの再構築よりもシャープな幾何学とドップラーレンジフレームを生成する。
論文参考訳（メタデータ） (2026-05-25T21:03:40Z)
RAMBA: 4D Radar Mapping by Bundle Adjustment [3.8603693015738205]
本稿では,一貫した4次元レーダマッピングのためのレーダバンドル調整フレームワークであるRAMBAを提案する。 ColoRadarとSNAIL Radarデータセットの実験は、RAMBAがマップの一貫性を改善し、通常は軌道精度を高めることを示している。
論文参考訳（メタデータ） (2026-05-24T12:38:18Z)
HyperDet: 3D Object Detection with Hyper 4D Radar Point Clouds [7.899148878601621]
検出器に依存しないレーダーのみの3D検出フレームワークであるHyperDetを提案する。標準的なLiDAR指向検出器のためのタスク対応のハイパー4Dレーダーポイントクラウドを構築している。 MAN TruckScenesでは、HyperDetはVoxelNeXtとCenterPointによる生のレーダー入力よりも一貫して改善されている。
論文参考訳（メタデータ） (2026-02-12T04:21:58Z)
RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
論文参考訳（メタデータ） (2025-12-19T18:57:33Z)
Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization [13.79944715452315]
そこで我々は,4次元レーダー中心のフレームワークであるSuper4DRを提案する。 Super4DRは、従来の自己監督手法よりも67%の性能向上を実現し、オードメトリーとほぼ一致し、LiDARとの地図品質格差を狭める。実験の結果,Super4DRは従来の自己監督法に比べて67%の性能向上を達成し,オードメトリーとほぼ一致し,LiDARとの地図品質格差を狭めることがわかった。
論文参考訳（メタデータ） (2025-12-10T12:55:05Z)
TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文参考訳（メタデータ） (2025-04-16T05:25:04Z)
RobuRCDet: Enhancing Robustness of Radar-Camera Fusion in Bird's Eye View for 3D Object Detection [68.99784784185019]
暗い照明や悪天候はカメラの性能を低下させる。レーダーは騒音と位置のあいまいさに悩まされる。本稿では,BEVの頑健な物体検出モデルであるRobuRCDetを提案する。
論文参考訳（メタデータ） (2025-02-18T17:17:38Z)
Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文参考訳（メタデータ） (2023-07-31T09:53:50Z)
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion [52.59664614744447]
本稿では,レーダセンサ情報と広範に使用されているライダーと高精細度(HD)マップを用いた新しい終端軌道予測手法LiRaNetを提案する。自動車レーダーは、リッチで補完的な情報を提供し、より長い距離の車両検出と即時速度測定を可能にします。
論文参考訳（メタデータ） (2020-10-02T00:13:00Z)

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。