論文の概要: LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization

• arxiv url: http://arxiv.org/abs/2608.15317v1
• Date: Sat, 15 Aug 2026 16:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.258103
• Title: LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization
• Title（参考訳）: LightLoc++: 効率的な屋外LiDARローカライゼーションのためのセンサロバスト表現学習
• Abstract要約: シーン座標回帰(SCR)は、屋外のLiDARローカライゼーションにおいて高いパフォーマンスを達成するが、通常は数日を要するシーン固有のトレーニングを必要とする。 最近の研究は、SCRをシーンに依存しないバックボーンとシーン固有の予測ヘッドに分離することで、トレーニング効率を向上させる。 センサロバストで効率的な屋外LiDARローカライゼーションフレームワークであるLightLoc++を提案する。
• 参考スコア（独自算出の注目度）: 50.7242785475893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scene coordinate regression (SCR) achieves strong performance in outdoor LiDAR localization, but it usually requires scene-specific training that can take days, limiting practical deployment. Recent works improve training efficiency by decoupling SCR into a scene-agnostic backbone and scene-specific prediction heads, where the backbone is pretrained on source datasets and frozen for new scenes, and only lightweight heads are optimized. However, we find that this paradigm heavily depends on the pretrained backbone. Existing decoupled methods can match conventional SCR methods fully optimized for each new scene when LiDAR configurations are similar to those used during backbone pretraining, but their accuracy drops noticeably on datasets collected with different LiDAR sensors. This suggests that efficient LiDAR localization requires representations that capture stable scene geometry across LiDAR configurations. Motivated by this observation, we propose LightLoc++, a sensor-robust and efficient outdoor LiDAR localization framework. To support sensor-robust representation learning, we introduce SULID, a synchronized urban multi-LiDAR dataset with representative 32-, 64-, and 128-beam rotating LiDARs, extensive cross-sensor overlap, and diverse urban scenes. Using SULID, we pretrain a sensor-robust backbone through cross-sensor consistency learning. LightLoc++ further preserves efficient new-scene learning by incorporating sample classification guidance and redundant sample downsampling, which reduce regression ambiguity and computational redundancy in large-scale outdoor scenes. Extensive experiments on multiple outdoor LiDAR localization benchmarks demonstrate that LightLoc++ achieves state-of-the-art localization performance with the lowest new-scene training cost among compared methods. Code and dataset will be made available at https://github.com/liw95/LightLoc-PlusPlus.
• Abstract（参考訳）: SCR(Scene coordinate regression)は、屋外のLiDARローカライゼーションにおいて高いパフォーマンスを達成するが、通常は数日を要するシーン固有のトレーニングを必要とし、実際の展開を制限している。 最近の研究は、SCRをシーンに依存しないバックボーンとシーン固有の予測ヘッドに分離することで、トレーニング効率を向上させる。 しかし、このパラダイムは事前訓練されたバックボーンに大きく依存している。 既存のデカップリング手法は、LiDAR設定がバックボーン事前トレーニングで使用されるものと似ている場合、新しいシーン毎に完全に最適化された従来のSCR手法と一致するが、その精度は異なるLiDARセンサーで収集されたデータセットに顕著に低下する。 このことは、LiDARの効率的なローカライゼーションには、LiDAR構成全体にわたって安定したシーン形状をキャプチャする表現が必要であることを示唆している。 そこで本研究では,センサ・ロバストかつ効率的な屋外LiDARローカライゼーションフレームワークであるLightLoc++を提案する。 センサ・ロバスト表現学習を支援するために,SULID,32-,64-,128-beam回転LiDARを代表とする都市型マルチLiDARデータセット,クロスセンサオーバーラップ,多種多様な都市シーンを紹介する。 SULIDを用いて,センサ間の整合性学習を通じて,センサ・ロバストなバックボーンを事前訓練する。 LightLoc++は、サンプル分類ガイダンスと冗長なサンプルサンプルサンプリングを組み込むことで、大規模な屋外シーンにおける回帰曖昧さと計算冗長性を低減し、効率的な新シーン学習をさらに保存する。 複数の屋外LiDARローカライゼーションベンチマークに対する大規模な実験は、LightLoc++が最先端のローカライゼーション性能を達成し、比較手法の中で最も低い新舞台トレーニングコストを達成していることを示している。 コードとデータセットはhttps://github.com/liw95/LightLoc-PlusPlus.orgで公開される。

関連論文リスト

• SN-LiDAR: Semantic Neural Fields for Novel Space-time View LiDAR Synthesis [11.615282010184917]
  SN-LiDARは,高精度なセマンティックセグメンテーション,高品質な幾何再構成,リアルなLiDAR合成を共同で行う手法である。 具体的には,多フレーム点群からグローバルな特徴を抽出するために,粗い平面グリッド特徴表現を用いる。 セマンティックKITTIとKITTI-360の実験は、意味的および幾何学的再構成におけるSN-LiDARの優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-11T08:51:23Z)
• LightLoc: Learning Outdoor LiDAR Localization at Light Speed [31.219354381187465]
  シーン座標回帰は、屋外LiDARの局所化において印象的な結果を得るが、何日もトレーニングを必要とする。 長いトレーニング時間によって、これらの方法は自律運転、ドローン、ロボット工学など、時間に敏感なアプリケーションには実用的ではない。 光速で新たなシーンのローカライズを効率的に学習できる最初の方法であるLightLocを提案する。
  論文  参考訳（メタデータ） (2025-03-22T16:33:41Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Analyzing Infrastructure LiDAR Placement with Realistic LiDAR Simulation Library [22.077414016647516]
  インフラセンサは、V2X(Vine-to-Everything)協調知覚において重要な役割を果たす。 インフラセンサの最適配置を見つける方法はめったに研究されていない。 本研究では,現実的なシミュレーション環境下で,インフラセンサの最適設置位置を効率よく,効果的に見つけることができるパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-11-29T07:18:32Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• Active Exploration for Neural Global Illumination of Variable Scenes [6.591705508311505]
  マルコフ連鎖モンテカルロを用いた新しいアクティブ探索法を提案する。 我々は、新しいシーンインスタンスのレンダリングを学習するニューラルジェネレータにアプローチを適用する。 本手法は, 硬質光輸送路のインタラクティブなレンダリングを可能にする。
  論文  参考訳（メタデータ） (2022-03-15T21:45:51Z)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)

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。