論文の概要: mmIR: Frequency-Space Inverse Rendering for 3D Millimeter-Wave Radar ADC Synthesis
- arxiv url: http://arxiv.org/abs/2608.28913v1
- Date: Fri, 28 Aug 2026 22:21:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.784599
- Title: mmIR: Frequency-Space Inverse Rendering for 3D Millimeter-Wave Radar ADC Synthesis
- Title（参考訳）: mmIR:3次元ミリ波レーダADC合成のための周波数空間逆レンダリング
- Abstract要約: 我々は,高分解能な3次元レーダデータを合成するために,高密度仮想開口からの実撮と再レンダリングを行う物理モデルに適合する,オープンソースの微分可能周波数変調型連続波レーダmmIRを提案する。
レーダー分解能は幾何を直接復元するには大きすぎるため、mmIRはLiDARから派生したメッシュを幾何学的な足場としてLiDAR支援逆レンダリングを行う。
7つの屋外および6つの屋内ColoRadarシーンにおいて、mmIRは、Sionna-RTの0.307に対して、レンジアジマスマップのパーソン相関平均0.914を達成する。
- 参考スコア（独自算出の注目度）: 18.777328493392762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-resolution 3D radar data is scarce. Commodity mmWave sensors use small antenna arrays that limit angular resolution to several degrees, and existing datasets provide only 2D range-azimuth maps or sparse point clouds rather than raw analog-to-digital converter (ADC) signals. Hardware scaling is expensive, synthetic-aperture scanning is impractical at fleet scale, and learned synthesis methods are bottlenecked by the very data shortage they aim to address. We present mmIR, an open-source differentiable frequency-modulated continuous-wave (FMCW) radar inverse renderer that fits a physics-based forward model to real captures and re-renders from dense virtual apertures to synthesize high-resolution 3D radar data. Because radar resolution is too coarse to recover geometry directly, mmIR performs LiDAR-assisted inverse rendering: using LiDAR-derived meshes as a geometric scaffold, mmIR optimizes per-vertex International Telecommunication Union (ITU) physics materials, vertex normals, and antenna beam patterns through end-to-end automatic differentiation of a phase-coherent multiple-input multiple-output (MIMO) forward model with multi-bounce propagation, polarization, and free-space diffraction. On seven outdoor and six indoor ColoRadar scenes, mmIR achieves 0.914 mean Pearson correlation on range-azimuth maps versus 0.307 for Sionna-RT. Scenes trained on a cascaded imaging radar transfer to a co-located single-chip radar without re-training (0.554 correlation), and dense virtual arrays (100x100 elements) produce single-frame 3D occupancy validated against LiDAR. Project page: https://mmwave-inverse-rendering.github.io/
- Abstract（参考訳）: 高解像度の3Dレーダデータはほとんどありません。
コモディティmmWaveセンサーは、角分解能を数度に制限する小さなアンテナアレイを使用し、既存のデータセットは、アナログ・デジタルコンバータ(ADC)信号ではなく、2Dレンジアジマスマップまたはスパースポイントクラウドのみを提供する。
ハードウェアのスケーリングは高価で、合成開口スキャンは艦隊規模では実用的ではない。
我々は,高分解能な3次元レーダデータを合成するために,高精細な仮想開口からの実撮と再レンダリングに物理モデルに適合する,オープンソース微分可能周波数変調連続波(FMCW)レーダ逆レンダmmIRを提案する。
レーダー分解能は幾何的な足場としてLiDAR由来のメッシュを使用することで、位相コヒーレントな多重入出力マルチアウトプット(MIMO)フォワードモデルのエンド・ツー・エンド・エンド自動微分により、MIRは頂点ごとの国際通信連合(ITU)物理材料、頂点正規化、アンテナビームパターンを最適化する。
7つの屋外および6つの屋内ColoRadarシーンにおいて、mmIRは、Sionna-RTの0.307に対して、レンジアジマスマップのパーソン相関平均0.914を達成する。
ケースケードイメージングレーダでトレーニングされたシーンは、再トレーニング(0.554の相関関係)なしで、同一位置の単一チップレーダに転送され、密集した仮想アレイ(100×100の要素)は、LiDARに対して1フレームの3D占有力を生成する。
プロジェクトページ: https://mmwave-inverse-rendering.github.io/
関連論文リスト
- 3D Point Splatting for mmWave Radar Novel View Synthesis [18.777328493392762]
ミリ波(mmWave)レーダーのための新しいビュー合成(NVS)には、物理的に忠実で、複雑で、多視点抽出が可能な計算が必要である。
この3つの特性を同時に達成する事前の方法は存在しない。
微分可能なモンテカルロ線トレーサは、明示的な物質モデリングと複雑な出力でレーダーフォワードモデルを直接実装する。
本稿では,レーダの標準固体角形状から直接導出した,レーダの最初の微分可能点である3Dポイントスプラッティングを提案する。
論文 参考訳（メタデータ） (2026-09-10T17:52:17Z) - DeeperRadar: End-to-End MIMO Radar Design and Multi-Modal Fusion for Autonomous Vehicle Perception [5.385471397428483]
DeeperRadarは、自律移動のためのレーダーセンシングと3D検出を共同設計するフレームワークである。
融合モデルを用いて、スパース取得パターンをエンドツーエンドで学習する。
フルアレイのベースラインと一致するか、あるいは超えるような、まばらでタスク対応のレーダー構成を発見する。
論文 参考訳（メタデータ） (2026-07-19T17:26:34Z) - RadarTwin: Scene-Specific mmWave Radar Simulation and Learning for Mobile Indoor Perception [2.0255467447384015]
RadarTwinは、実際のデータ収集の前にデプロイメント固有のレーダートレーニングデータを生成するためのフレームワークである。
シミュレーションと実レーダは同じ物体識別形状と材料特性を共有していることを示す。
シミュレーションだけで訓練された表現は、実際のレーダーラベルのない2.5倍の確率で実際の物体を認識し、いくつかのラベル付き例では、これを12方向の認識タスクで95.3%に引き上げている。
論文 参考訳（メタデータ） (2026-06-24T05:50:26Z) - 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) - RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。
ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。
提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
論文 参考訳（メタデータ） (2026-02-21T07:50:05Z) - Sim2Radar: Toward Bridging the Radar Sim-to-Real Gap with VLM-Guided Scene Reconstruction [2.3510064024442374]
Sim2Radarは、単一ビューのRGBイメージから直接レーダーデータを合成するエンドツーエンドのフレームワークである。
Sim2Radarは、単眼深度推定、セグメンテーション、視覚言語推論を組み合わせることで、素材を意識した3Dシーンを再構築する。
Sim2Radarは、現実世界の屋内シーンで評価され、トランスファーラーニングを通じて下流の3Dレーダー知覚を改善する。
論文 参考訳（メタデータ） (2026-02-10T10:56:47Z) - 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) - RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication [76.6171399066216]
UrbanRadio3Dは、現実的な都市環境におけるレイトレーシングによって構築された大規模で高解像度の3D RMデータセットである。
RadioDiff-3Dは3D畳み込みアーキテクチャを利用した拡散モデルに基づく生成フレームワークである。
この研究は、将来の3D環境対応コミュニケーション研究のための基礎的なデータセットとベンチマークを提供する。
論文 参考訳（メタデータ） (2025-07-16T11:54:08Z) - Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy [8.895838973148452]
LiRaCoは、LiDARとレーダーセンサーの外部6DoFキャリブレーションのためのターゲットレスキャリブレーションアプローチである。
LiRaCoは、LiDAR点雲とRadarスキャンの間の空間占有一貫性を共通円筒表現で活用する。
外部キャリブレーションパラメータを含むコスト関数は、3次元格子とLiDAR点の空間的重なりに基づいて定式化する。
論文 参考訳（メタデータ） (2025-03-21T10:09:04Z) - V2X-R: Cooperative LiDAR-4D Radar Fusion with Denoising Diffusion for 3D Object Detection [64.93675471780209]
我々は、LiDAR、カメラ、および4Dレーダを取り入れた初のシミュレーションV2XデータセットであるV2X-Rを提案する。
V2X-Rには12,079のシナリオがあり、LiDARと4Dレーダーポイント雲の37,727フレーム、150,908の画像、170,859の注釈付き3D車両バウンディングボックスがある。
本稿では,3次元物体検出のための新しいコラボレーティブLiDAR-4Dレーダ融合パイプラインを提案し,様々な融合戦略を用いて実装する。
論文 参考訳（メタデータ） (2024-11-13T07:41:47Z) - Differentiable Radio Frequency Ray Tracing for Millimeter-Wave Sensing [29.352303349003165]
我々はmmWaveベースの3D再構成のための微分可能なフレームワークDiffSBRを提案する。
DiffSBRは、仮想3Dモデルからレーダーポイント雲をシミュレートするために、微分可能なレイトレーシングエンジンを組み込んでいる。
各種レーダーハードウェアを用いた実験は、ディフSBRの微細な3D再構成能力を検証する。
論文 参考訳（メタデータ） (2023-11-22T06:13:39Z) - Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object
Detection [78.59426158981108]
この課題に対処し、動的オブジェクトの3D検出を改善するために、双方向LiDAR-Radar融合フレームワーク、Bi-LRFusionを導入する。
我々はnuScenesとORRデータセットに関する広範な実験を行い、我々のBi-LRFusionが動的オブジェクトを検出するための最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-06-02T10:57:41Z)
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。