論文の概要: NIDAR: NIR-Guided Intrinsic Decomposition for Scalable Scene-Agnostic LiDAR Intensity Reconstruction

• arxiv url: http://arxiv.org/abs/2609.36878v1
• Date: Tue, 29 Sep 2026 07:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.259817
• Title: NIDAR: NIR-Guided Intrinsic Decomposition for Scalable Scene-Agnostic LiDAR Intensity Reconstruction
• Title（参考訳）: NIDAR: 拡張シーン非依存LiDARインテンシティ再構築のためのNIR誘導内在性分解法
• Abstract要約: NIDARは、RGBの外観とシミュレーター幾何学から強度のような観測を合成するフレームワークである。 配置には、ターゲットシーンの強度ラベルやターゲットシーンベースのフィッティングは必要ない。 我々は、NIDARをUnreal Engine 5、Isaac Sim synthesis、および生成的なLiDARパイプラインと統合する。
• 参考スコア（独自算出の注目度）: 15.723101297561932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR return intensity provides complementary surface-response cues for robotic perception and state estimation, yet many simulation pipelines omit it or reproduce it using reconstruction methods that require real intensity supervision and per-scene optimization. These requirements increase data-collection and fitting costs and limit reuse across simulated scenes. We present NIDAR, a feed-forward framework that synthesizes dense intensity-like observations from RGB appearance and simulator geometry. NIDAR combines pretrained pseudo-NIR translation, hierarchical intrinsic decomposition, geometry-aware modulation, and source-domain distribution calibration to transfer reflectance-related image cues to simulated point clouds. Its learned components are trained offline using Waymo data; their weights and calibration remain fixed during evaluation on Waymo and nuScenes. Deployment therefore requires neither target-scene intensity labels nor target-scene gradient-based fitting. The reported comparisons show competitive pixel-wise accuracy and favorable structural and perceptual fidelity against the evaluated reconstruction baselines. A controlled pseudo-NIR-versus-RGB diagnostic further shows that the pseudo-NIR prior is most beneficial when used through the paper-aligned reflectance-and-remapping route, rather than as a simple direct intensity regressor. We further integrate NIDAR with Unreal Engine 5, Isaac Sim, and a generative LiDAR pipeline. Two intensity-aware SLAM systems evaluated in two simulated indoor scenes suggest potential downstream utility, but do not constitute real-robot validation. NIDAR therefore offers a scalable intensity-synthesis interface for the evaluated settings; cross-wavelength, camera-configuration, embedded, and real-sensor validation remain future work.
• Abstract（参考訳）: LiDARリターンインテンシティは、ロボット知覚と状態推定のための相補的な表面応答キューを提供するが、多くのシミュレーションパイプラインは、実際の強度監督とシーンごとの最適化を必要とする再構成手法を用いてそれを省略または再現する。 これらの要件により、データ収集とフィッティングコストが増加し、シミュレートされたシーン間の再利用が制限される。 我々は、RGBの外観とシミュレーター幾何から濃密な強度のような観測を合成するフィードフォワードフレームワークであるNIDARを提案する。 NIDARは、事前訓練された擬似NIR翻訳、階層的内在分解、幾何認識変調、およびソース領域分布校正を組み合わせて、反射率関連画像キューをシミュレーションされた点雲に転送する。 学習したコンポーネントはWaymoのデータを使ってオフラインでトレーニングされている。 したがって、配置はターゲットシーンの強度ラベルやターゲットシーンの勾配に基づくフィッティングを必要としない。 報告した比較では, 評価された再建基線に対して, 比較画素の精度と, 構造的, 知覚的忠実度が良好であった。 制御された擬似NIR-versus-RGB診断は、単純な直接強度回帰器としてではなく、紙を配向した反射除去経路を介して使用する場合、擬似NIR前駆体が最も有用であることを示す。 さらに、NIDARをUnreal Engine 5、Isaac Sim、および生成的なLiDARパイプラインと統合しています。 室内の2つのシミュレートされたシーンで評価された2つの強度対応SLAMシステムは、下流での利用可能性を示しているが、実際のロボット検証を構成していない。 したがって、NIDARは、評価された設定のためのスケーラブルな強度合成インターフェースを提供する。

関連論文リスト

• LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization [50.7242785475893]
  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。
  論文  参考訳（メタデータ） (2026-08-15T16:50:34Z)
• RLCNet: An end-to-end deep learning framework for simultaneous online calibration of LiDAR, RADAR, and Camera [2.825460805162022]
  本稿では,LiDAR,RADAR,カメラセンサのオンライン校正を同時に行うための,エンドツーエンドのトレーニング可能な新しいディープラーニングフレームワークであるRCCNetを提案する。 重み付けされた移動平均と外れ値の拒絶を組み込んだオンラインキャリブレーションフレームワークを導入し、キャリブレーションパラメータの動的調整を可能にする。 一方,既存手法との比較では,提案手法の精度とロバスト性に優れていた。
  論文  参考訳（メタデータ） (2025-12-09T05:38:30Z)
• 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)
• DynaMoN: Motion-Aware Fast and Robust Camera Localization for Dynamic Neural Radiance Fields [71.94156412354054]
  動的ニューラルラジアンス場(DynaMoN)の高速かつロバストなカメラ位置推定法を提案する。 DynaMoNは、初期のカメラポーズ推定と高速で正確なノベルビュー合成のための静的集光線サンプリングのために動的コンテンツを処理している。 我々は,TUM RGB-DデータセットとBONN RGB-D Dynamicデータセットの2つの実世界の動的データセットに対するアプローチを広く評価した。
  論文  参考訳（メタデータ） (2023-09-16T08:46:59Z)
• 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)
• PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
  既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。 我々はFPAレイキャストと代理モデルレイドロップを提案する。 最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。 その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T04:13:21Z)
• 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)

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。