論文の概要: Controllable Road Marking Generation
- arxiv url: http://arxiv.org/abs/2610.05771v1
- Date: Mon, 05 Oct 2026 04:15:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 04:31:45.720516
- Title: Controllable Road Marking Generation
- Title（参考訳）: 制御可能な道路マーキング生成
- Abstract要約: 我々は、乾燥可能なエリアマスクから欠落した中心領域マーキングレイアウトを合成する、制御可能な道路マーキング生成を導入する。
我々のベンチマークでは、決定論的、メタデータ由来のプロンプトと、車線分割、道路分割、歩行者横断という3つの出力チャネルを使用します。
我々は, (i) トポロジを意識した補助的損失を訓練したテキスト条件付き遅延整流 DiT を組み合わせた条件付き鳥眼ビュー (BEV) パイプラインを開発した。
このフレームワークは、シミュレーション可能な道路標識のバリエーション、自動マップ補完、早期のインフラ設計探索へのステップであると考えています。
- 参考スコア（独自算出の注目度）: 7.470200366429271
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lane and road markings provide critical guidance for vehicle navigation and multi-agent coordination, yet authoring them at scale remains a manual workflow that limits quantitative analysis and scenario testing. We introduce Controllable Road Marking Generation, which synthesizes a missing center-region marking layout from a drivable-area mask, optional outer-ring markings, and a textual description. Our benchmark uses deterministic, metadata-derived prompts and three output channels: lane dividers, road dividers, and pedestrian crossings. We develop a conditional bird's-eye-view (BEV) pipeline that combines (i) a text-conditioned latent rectified-flow DiT trained with a topology-aware auxiliary loss, (ii) Gaussian-blurred training targets that stabilize learning of thin, sparse markings, and (iii) Structured Gaussian Render (SGR), a training-free post-process that recovers crisp divider geometry by extracting polylines, fitting cubic Bézier curves, and re-rendering them as anisotropic super-Gaussian primitives. On 4,597 Argoverse~2 test tiles, our system achieves Buffered F1 of 80.8 and clDice of 50.2, compared with 38.8 and 24.6 for an adapted state-of-the-art mask-refinement baseline. On Waymo dataset, it yields 88.0 Buffered F1 and 66.2 clDice. Component ablations show complementary connectivity gains from topology-aware supervision and SGR. Text-editing experiments reveal that stronger guidance improves edit success but also increases changes to non-target structures. We see this framework as a step toward simulation-ready road-marking variation, automated map completion, and early-stage infrastructure design exploration.
- Abstract（参考訳）: レーンと道路標識は、車両ナビゲーションとマルチエージェント調整のための重要なガイダンスを提供するが、それらを大規模に作成することは、定量分析とシナリオテストを制限する手動のワークフローのままである。
我々は、乾燥可能なエリアマスク、オプションの外側リングマーキング、テキスト記述から欠落した中心領域マーキングレイアウトを合成する、制御可能なロードマーキング生成を導入する。
我々のベンチマークでは、決定論的、メタデータ由来のプロンプトと、車線分割、道路分割、歩行者横断という3つの出力チャネルを使用します。
条件付き鳥眼ビュー(BEV)パイプラインを開発。
i) トポロジを意識した補助的損失を訓練したテキスト条件の潜時整流型DiT
(二)細いマーキングの学習を安定させるガウス色訓練目標
(3)構造化ガウスレンダー(SGR)は、ポリラインを抽出し、立方ベジエ曲線を適合させ、それらを異方性超ガウス原始体として再レンダリングすることで、クリップディバイダ幾何を復元する訓練自由な後処理である。
テストタイル4,597 Argoverse~2では,80.8のバッファリングF1,50.2のclDiceを実現した。
Waymoデータセットでは、88.0バッファードF1と66.2clDiceが生成される。
コンポーネントの短縮は、トポロジ対応の監視とSGRによる補完的な接続性の向上を示している。
テキスト編集実験により、より強力なガイダンスが編集成功を改善するだけでなく、非ターゲット構造の変更を増加させることが明らかになった。
このフレームワークは、シミュレーション可能な道路標識のバリエーション、自動マップ補完、早期のインフラ設計探索へのステップであると考えています。
関連論文リスト
- NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。
この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
論文 参考訳（メタデータ） (2026-09-07T15:16:15Z) - Unsupervised Detection of Entry and Exit Regions from Vehicle Trajectories for Camera-Agnostic Turning Movement Counts [2.0689823177950397]
教師なしパイプラインは 原車軌道から直接 進入領域と出口領域を識別する
パイプラインクラスター 初期および終点位置 永続的な空間領域を生成する
パイプラインは、高い中央値エラーを犠牲にして、カメラビュー全体の安定性と計算コストの低下を示す。
論文 参考訳（メタデータ） (2026-07-12T22:38:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - DriveAnchor: Progressive Anchor-based Flow Learning for Autonomous Driving Planning [6.848508447210393]
DriveAnchorは、自動運転計画のためのフレームワークである。
構成可能なパイプラインにおいて、振る舞いの多様性、制御可能性、安全性を実現する。
近距離衝突速度を89%削減し、模倣精度を低下させることなく平均報酬を32%改善する。
論文 参考訳（メタデータ） (2026-05-30T04:17:59Z) - Towards Real-Time Autonomous Navigation: Transformer-Based Catheter Tip Tracking in Fluoroscopy [35.565354067805835]
本研究の目的は, 実時間カテーテル先端追跡パイプラインの開発と評価である。
U-Net、U-Net+Transformer、SegFormerなどのディープラーニングセグメンテーションモデルをトレーニングし、ベンチマークした。
2級のSegFormerは平均絶対誤差4.44mm、U-Net(4.60mm)、U-Net+Transformer(6.20mm)、および3級モデル(5.19-7.74mm)を上回った。
論文 参考訳（メタデータ） (2026-05-14T01:42:56Z) - Blurred Encoding for Trajectory Representation Learning [56.642548506419]
トレイ表現学習(TRL)は、軌跡をベクトル埋め込みにマッピングし、軌跡分類や類似性探索などの作業を容易にする。
State-of-the-art (SOTA) TRL法は、生のGPSトラジェクトリをグリッドや道路トラジェクトリに変換し、ハイレベルな旅行セマンティクスをキャプチャする。
しかし、複数のGPSポイントが単一のグリッドセルまたは道路セグメントにグループ化されるため、細かな空間時間的詳細は失われます。
我々は,階層的パッチを作成するためにGPS座標の精度を徐々に低下させるBLUEと呼ばれるBLUrred jector法を提案する。
論文 参考訳（メタデータ） (2025-11-12T03:51:57Z) - Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。
本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。
カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
論文 参考訳（メタデータ） (2024-04-11T10:26:40Z) - Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。
RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。
そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-05T18:14:36Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。