論文の概要: GRADE: Single-Frame Generative Radar Depth Estimation Under Visual Degradation
- arxiv url: http://arxiv.org/abs/2609.10756v1
- Date: Wed, 09 Sep 2026 18:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.116494
- Title: GRADE: Single-Frame Generative Radar Depth Estimation Under Visual Degradation
- Title（参考訳）: GRADE:視覚劣化下での単一フレーム生成レーダ深さ推定
- Abstract要約: 3D深度知覚は、光センサーが空気中の微粒子を貫通できないため、煙、霧、暗闇の下で失敗する。
mmWaveレーダーは依然として使用可能であり、測定値はこれらの条件下で正確に変動するが、その小さな開口部は角分解能を制限している。
本稿では,高忠実度距離深さを推定するために,単一フレームレーダ幾何学において事前訓練された生成を基礎とするGRADEを提案する。
- 参考スコア（独自算出の注目度）: 10.458726240020265
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Dense 3D depth perception fails under smoke, fog, and darkness because optical sensors cannot penetrate airborne particulates. mmWave radar remains usable and measures range accurately under these conditions, but its small aperture limits angular resolution. We present GRADE, which grounds a pretrained generative prior in single-frame radar geometry to estimate high-fidelity metric depth. GRADE first maps raw 4D radar spectra to coarse metric depth. A latent diffusion backbone then recovers structural detail while conditioning every denoising step on this estimate. A pixel-space adapter uses residual camera cues when available and is trained across clear, smoke-degraded, and occluded inputs so the full output approaches the radar-conditioned path as visibility degrades. Trained and evaluated on ~95K frames across 12 buildings with real smoke, GRADE achieves an MAE of 0.303 m in clear scenes and 0.313 m under smoke, outperforming existing baselines. Code and datasets are available at https://phi-lab-rice.github.io/GRADE.
- Abstract（参考訳）: 3D深度知覚は、光センサーが空気中の微粒子を貫通できないため、煙、霧、暗闇の下で失敗する。
mmWaveレーダーは依然として使用可能であり、測定値はこれらの条件下で正確に変動するが、その小さな開口部は角分解能を制限している。
本稿では,高忠実度距離深さを推定するために,単一フレームレーダ幾何学において事前訓練された生成を基礎とするGRADEを提案する。
GRADEはまず、生の4Dレーダースペクトルを粗いメートル法深さにマッピングする。
潜伏拡散バックボーンは、この推定について各段階を定めながら構造的詳細を回復する。
ピクセル空間アダプタは、利用可能なときに残留カメラキューを使用し、クリアで、煙の劣化と、閉塞された入力で訓練されるため、完全な出力は、可視性が低下するにつれてレーダー条件の経路に近づく。
GRADEは12の建物にわたる95Kフレームのトレーニングと評価を行い、鮮明なシーンで0.303m、煙の下で0.313mのMAEを達成し、既存のベースラインを上回っている。
コードとデータセットはhttps://phi-lab-rice.github.io/GRADE.comで入手できる。
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) - JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision [2.985859733530328]
JustDepthは、レーダー、カメラ、シングルスキャンLiDARのみで訓練された、単一ステージのレーダーカメラ深度推定装置である。
ハイトフュージョンブロックはモダリティを融合し、軽量のGNNは世界規模で深さを伝播し、トレーニング専用の信頼度デコーダはテスト時間コストゼロで学習を安定化する。
nuScenesでは、最近の最先端の手法と比較して、JustDepthは推測時間を39.7倍にし、VHGRによって測定された成果物を66%削減しながら精度を維持している。
論文 参考訳（メタデータ） (2026-07-24T10:20:16Z) - RAF: Reliability-Aware Fusion of Camera, LiDAR, and 4D RADAR for Robust 3D Object Detection in Adverse Weather [47.7622249773517]
本稿では,RAF(Reliability-Aware Fusion)を導入し,画素ごとの信頼度を明示的に推定し,信頼できない視覚的手がかりを識別・抑制するための直接学習信号を提供する。
RAFはLiDAR-RADARベースラインに対する検出精度を継続的に改善し、+6.5 $AP_BEV$と+7.4 $AP_3D$ゲインを達成している。
論文 参考訳（メタデータ） (2026-07-06T01:24:35Z) - 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) - RADE-Net: Robust Attention Network for Radar-Only Object Detection in Adverse Weather [4.199844472131922]
高速フーリエ変換4Dレンジ・アジマス・ドップラー・エレベータ(RADE)テンソルの3次元投影法を提案する。
本手法では, ドップラーと標高の豊富な特性を保ちながら, 1フレームで必要なデータサイズを91.9%削減する。
大規模K-Radarデータセットを用いて,複数の異なる道路利用者と各種気象条件下での現場でのモデルの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T16:01:31Z) - 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) - RIDERS: Radar-Infrared Depth Estimation for Robust Sensing [22.10378524682712]
逆気象条件は正確な深度推定に重大な課題をもたらす。
本研究では,ミリ波レーダと単眼赤外線サーマルカメラを融合させて,ロバストな距離推定手法を提案する。
本手法は、曖昧さと不一致の課題に対処することにより、異常な視覚的品質と正確な計量推定を実現する。
論文 参考訳（メタデータ） (2024-02-03T07:14:43Z) - 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) - RVMDE: Radar Validated Monocular Depth Estimation for Robotics [5.360594929347198]
両眼視センサの固有剛性校正は正確な深度推定に不可欠である。
あるいは、単眼カメラは、深度推定の精度を犠牲にして制限を緩和し、厳しい環境条件下では課題が悪化する。
本研究は, 環境条件下での深度推定のために, 単眼カメラの細粒度データと融合した場合のレーダーからの粗い信号の有用性について検討する。
論文 参考訳（メタデータ） (2021-09-11T12:02:29Z) - Depth-supervised NeRF: Fewer Views and Faster Training for Free [69.34556647743285]
DS-NeRF (Depth-supervised Neural Radiance Fields) は、容易に利用できる深度監視を利用する学習分野の損失である。
我々の損失は他のNeRF法と互換性があることを示し、深度は安価で消化し易い監視信号であることを示した。
論文 参考訳（メタデータ） (2021-07-06T17:58:35Z)
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。