論文の概要: RVLoss: Runoff Vote Loss for Self-Supervised LiDAR Scene Flow Estimation
- arxiv url: http://arxiv.org/abs/2608.18864v1
- Date: Wed, 19 Aug 2026 12:36:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.401514
- Title: RVLoss: Runoff Vote Loss for Self-Supervised LiDAR Scene Flow Estimation
- Title（参考訳）: RVLoss: 自己監督型LiDARシーンフロー推定のための流出投票損失
- Abstract要約: LiDARシーンフローは、2つの連続走査間のポイントワイズ運動を推定する。
自己教師付き手法は, 流れ補償源と目標との近接距離であるシャンファー損失を最小化する。
流出投票機構を通じて設計による動き剛性を組み込んだ自己監督型損失であるRVLossを提案する。
- 参考スコア（独自算出の注目度）: 21.681930309110452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LiDAR scene flow estimates point-wise motion between two consecutive scans, referred to as the source and target. Leading self-supervised methods typically minimize the Chamfer loss, the nearest neighbor distance between the flow-compensated source and the target. However, nearest-neighbor search does not enforce motion rigidity, often leading to inconsistent flows within object instances. Existing approaches address this issue with additional regularization terms, but flow consistency among points remains limited, especially for large objects. We propose RVLoss, a self-supervised loss that incorporates motion rigidity by design through a runoff vote mechanism. Our key observation is that the point-wise motion, calculated from nearest neighbor search, can often be grouped into a small set of dominant flow candidates by voting (top-k voting). Furthermore, when compensating the source by these candidates, the flow that best represents the underlying rigid motion often yields the highest consensus after a second voting (top-1 voting). Based on this insight, we incorporate the two-stage runoff vote into loss design and create cluster-wise rigid flows and free-form flows as pseudo-labels for self-supervised learning. RVLoss can be seamlessly integrated into existing feedforward architectures. Experiments on the Argoverse2 2026 Challenge show that models trained with RVLoss achieve state-of-the-art performance among self-supervised approaches, outperforming baseline models trained with alternative loss designs by 20%. Moreover, cross-dataset evaluations demonstrate consistent performance improvements across four additional datasets. Code will be released upon acceptance.
- Abstract（参考訳）: LiDARのシーンフローは、ソースとターゲットと呼ばれる2つの連続したスキャンの間のポイントワイドな動きを推定する。
自己監督的手法の導出は、典型的には、流れ補償源と目標の間の近接距離であるチャンファー損失を最小化する。
しかし、最寄りの探索では動きの剛性は強制されず、しばしばオブジェクトインスタンス内の不整合フローを引き起こす。
既存のアプローチでは、この問題を追加の正規化項で解決するが、点間のフローの整合性は、特に大きな対象に対して限定的である。
流出投票機構を通じて設計による動き剛性を組み込んだ自己監督型損失であるRVLossを提案する。
我々のキーとなる観察は、近傍の探索から計算されたポイントワイドな動きは、投票(トップk投票)によって、少数の支配的なフロー候補にグループ化できるということである。
さらに、これらの候補によってソースを補償する場合、基礎となる剛体運動を最もよく表す流れは、第2の投票(トップ1の投票)後に最もコンセンサスが高い。
この知見に基づいて、2段階の流出投票を損失設計に組み込み、自己教師型学習のための擬似ラベルとしてクラスタ単位の剛性流と自由形流を生成する。
RVLossは既存のフィードフォワードアーキテクチャにシームレスに統合できる。
Argoverse 2 2026 Challengeの実験では、RVLossで訓練されたモデルは、自制的なアプローチで最先端のパフォーマンスを実現し、代替の損失設計で訓練されたベースラインモデルよりも20%向上した。
さらに、データセット間の評価では、4つの追加データセット間で一貫したパフォーマンス改善が示されている。
コードは受理時にリリースされる。
関連論文リスト
- CorrelationFlow: A Training-Free Geometric Approach for LiDAR Scene Flow Estimation [15.48783554823151]
相関フローは, 鳥の目視画像における連結成分ラベリングと相関という, シーンフローを2つの操作に還元する。
境界鍵点における軽量占有記述子をマッチングすることにより,一組のスイープペア上で動作可能なスパース対の開発を行う。
この結果から,シーンフロー問題の大部分を古典的コンピュータビジョンで解けることが示唆された。
論文 参考訳（メタデータ） (2026-07-31T10:14:08Z) - Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。
擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。
本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
論文 参考訳（メタデータ） (2026-07-08T18:23:48Z) - FlowR2A: Learning Reward-to-Action Distribution for Multimodal Driving Planning [63.80677039120727]
FlowR2Aは、スコアリングに基づく手法の厳密な監督と、単一の生成モデルによるアンカーベースの手法の提案を統一する。
ソフトプログレッシブ目標に対するハードセーフティ制約のバランスをとるために, 微粒度毎の報奨条件と報奨雑音の増大を導入する。
生成形式は、報酬誘導と固定サンプリングによる制御可能なテスト時間サンプリングをサポートし、高品質な提案を生成する。
論文 参考訳（メタデータ） (2026-06-23T07:21:36Z) - Dual-End Consistency Model [41.982957134224904]
スロー反復サンプリングは拡散モデルとフローベース生成モデルの実践的展開において大きなボトルネックとなる。
本稿では,安定かつ効果的なトレーニングを実現するために,バイタルサブ軌道クラスタを選択するDual-End Consistency Model (DE-CM)を提案する。
提案手法は,ImageNet 256x256データセットの1ステップ生成において,最先端のFIDスコア1.70を達成し,既存のCMベースのワンステップアプローチよりも優れていた。
論文 参考訳（メタデータ） (2026-02-11T11:51:01Z) - Augmenting Moment Retrieval: Zero-Dependency Two-Stage Learning [33.16156949633519]
局所最適化を克服するため、ゼロ外部依存性拡張モーメント検索フレームワークAMRを提案する。
AMRは、追加データなしで既存のアノテーションの曖昧な境界情報と意味的混乱を解決する。
AMRは従来の最先端のアプローチよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-22T14:19:38Z) - Dual-Stage Reweighted MoE for Long-Tailed Egocentric Mistake Detection [85.0189917888094]
本稿では,微妙で頻繁なミスによって生じる課題に対処するため,Dual-Stage Reweighted Mixture-of-Experts (DR-MoE) フレームワークを提案する。
提案手法は,特に稀かつ曖昧な誤りの特定において,高い性能を達成する。
論文 参考訳（メタデータ） (2025-09-16T12:00:42Z) - VoteFlow: Enforcing Local Rigidity in Self-Supervised Scene Flow [4.515315183243291]
シーンフロー推定は、2つの隣接するLiDARスキャンから点当たりの動きを復元することを目的としている。
自律運転のような現実世界のアプリケーションでは、ポイントが他と独立して動くことは滅多にない。
ニューラルネットワーク設計に軽量なアドオンモジュールを導入し、エンドツーエンドの学習を可能にした。
論文 参考訳（メタデータ） (2025-03-28T11:06:27Z) - Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。
最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。
遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2021-04-06T10:32:03Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Cascaded Regression Tracking: Towards Online Hard Distractor
Discrimination [202.2562153608092]
本稿では,2段階の逐次回帰トラッカーを提案する。
第1段階では, 容易に同定可能な負の候補を抽出する。
第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
論文 参考訳（メタデータ） (2020-06-18T07:48:01Z)
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。