Fugu-MT 論文翻訳(概要): DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes

論文の概要: DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes

arxiv url: http://arxiv.org/abs/2609.39841v2
Date: Thu, 01 Oct 2026 15:40:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.563052
Title: DyRAD: Radar Novel View Synthesis for Dynamic Driving Scenes
Title（参考訳）: DyRAD:動的運転シーンのためのレーダ新しいビュー合成
Abstract要約: 静止背景反射器とモーショントラッキングされた動点反射器を用いて動的駆動シーンをモデル化し、完全なレンジアジマス・ドップラー(RAD)テンソルを描画するDyRADを提案する。また、RADIal, Boreas, and a synthetic benchmark across the on-path poses and displaced views untested by prior work。
参考スコア（独自算出の注目度）: 25.17015120152743
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reconstructing dynamic driving scenes from recorded sensor data supports closed-loop evaluation of autonomous driving systems by synthesizing observations beyond the original trajectory. Unlike cameras and LiDAR, radar measures radial velocity directly through Doppler. Yet existing radar novel-view synthesis fails to exploit this capability: methods addressing dynamic scenes reconstruct only range-azimuth tensors, while methods that render Doppler assume static scenes. Moreover, because radar processing spreads each reflection across multiple bins, existing representations absorb this spread into scene geometry, causing it to render incorrectly when the viewpoint moves. We present DyRAD, which models dynamic driving scenes using static background reflectors and motion-tracked dynamic point reflectors to render complete range-azimuth-Doppler (RAD) tensors. Reflector velocities are derived from object tracks and projected onto the line of sight, making Doppler both a rendered output and supervision for those tracks. Crucially, we render reflectors through a fixed analytic point-spread function (PSF) derived from the radar's signal-processing chain, preventing sensor-induced spread from being baked into the scene representation. Beyond improving scene reconstruction, this separation also enables zero-shot sensor-configuration transfer, allowing the same reconstructed scene to be rendered under different radar specifications without refitting. We evaluate DyRAD on RADIal, Boreas, and a synthetic benchmark across both on-path poses and displaced viewpoints untested by prior work. On RADIal, DyRAD recovers radar detections in 90.7% of reference-detected objects, compared with 26.9% for the strongest baseline.
Abstract（参考訳）: 記録されたセンサデータから動的駆動シーンを再構成することで、元の軌道を超えた観察を合成することにより、自律走行システムの閉ループ評価を支援する。カメラやLiDARとは異なり、レーダーはドップラーから直接放射速度を測定する。ダイナミックシーンに対処する手法はレンジアジマステンソルのみを再構成し、ドップラーを描画する手法は静的シーンを仮定する。さらに、レーダ処理は各反射を複数のビンに分散させるため、既存の表現はこの拡散をシーン幾何学に吸収し、視点が動くと誤ってレンダリングする。静止背景反射器とモーショントラッキングされた動点反射器を用いて動的駆動シーンをモデル化し、完全なレンジアジマス・ドップラー(RAD)テンソルを描画するDyRADを提案する。リフレクター速度は物体の軌道から導かれ、視線上に投影され、ドップラーはその軌道の出力と監督の両方を行う。重要なこととして、レーダーの信号処理チェーンから導出される固定解析点拡散関数(PSF)を介して反射体を描画し、センサ誘起の拡散がシーン表現に焼き込まれるのを防ぐ。シーン再構成の改善に加えて、この分離により、ゼロショットのセンサー構成の転送が可能となり、同じ再構成されたシーンを異なるレーダー仕様の下で再調整することなくレンダリングすることができる。 RADIal, Boreas, and a synthetic benchmark across the on-path poses and displaced views untested by prior work。 RADIalでは、DyRADは参照検出対象の90.7%でレーダー検出を回復し、最強のベースラインは26.9%である。

関連論文リスト

Image Frame Dynamic Object Segmentation and Ego Motion Estimation using Radar Image Fusion [3.794601903242627]
Radar-Dotはレーダー-RGBフレームワークで、レーダードップラー測定を利用してこの結合に対処する。 Radar-Dotは394フレーム対で20.24%の動的IoUと33.67%のF1スコアを達成した。
論文参考訳（メタデータ） (2026-09-19T07:54:09Z)
DiffRadar: Differentiable Physics-Aware Radar SLAM with Gaussian Fields [8.442884076695789]
DiffRadarはリアルタイムのレーダーSLAMシステムで、レーダー観測を物理を意識したガウス場としてモデル化する。 DiffRadarはこのシーンを異方性ガウス原始体として表現し、レンジアジマスとドップラーアジマス空間でレーダー計測を行う。 DiffRadarをコモディティFMCWレーダハードウェアに実装し、パブリックなRadarizeベンチマークと制御されたストレステストスイートの両方で評価する。
論文参考訳（メタデータ） (2026-07-14T02:08:14Z)
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)
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)
VISC: mmWave Radar Scene Flow Estimation using Pervasive Visual-Inertial Supervision [15.903580198464432]
mmWaveレーダの現在のシーンフロー推定法は、3次元LiDARからの高密度点雲によって監視されるのが一般的である。本稿では,運動モデルに基づく自我運動とニューラルネットワーク学習結果とを融合したドリフトフリー剛性変換推定器を提案する。レーダーベースの剛性変換に対して強力な監視信号を提供し、静的点のシーンフローを推測する。
論文参考訳（メタデータ） (2025-07-05T07:53:51Z)
Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar [62.51065633674272]
本稿では,アクティブレーダイメージア用に設計されたニューラルシーン再構成手法であるRadar Fieldsを紹介する。提案手法では,暗黙的ニューラルジオメトリとリフレクタンスモデルを用いて,暗黙的な物理インフォームドセンサモデルを構築し,生のレーダ測定を直接合成する。本研究では,密集した車両やインフラを備えた都市景観を含む,多様な屋外シナリオにおける手法の有効性を検証する。
論文参考訳（メタデータ） (2024-05-07T20:44:48Z)
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)
Radar Artifact Labeling Framework (RALF): Method for Plausible Radar Detections in Datasets [2.5899040911480187]
粗いレーダ点雲のラベル付けのためのクロスセンサレーダアーチファクトラベルフレームワーク(RALF)を提案する。 RALFは、レーダーの生検出のための可視性ラベルを提供し、アーティファクトとターゲットを区別する。半手動ラベル付き地上真理データセットの3.28cdot106$ポイントの誤差測定値を評価することにより,結果を検証する。
論文参考訳（メタデータ） (2020-12-03T15:11:31Z)
RadarNet: Exploiting Radar for Robust Perception of Dynamic Objects [73.80316195652493]
我々は、自動運転車の文脈における認識のためにRadarを利用する問題に取り組む。我々は、LiDARとRadarの両方のセンサーを知覚に利用した新しいソリューションを提案する。 RadarNetと呼ばれる我々のアプローチは、ボクセルベースの早期核融合と注意に基づく後期核融合を特徴としている。
論文参考訳（メタデータ） (2020-07-28T17:15:02Z)

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。