論文の概要: Digital Twin-Driven Real2Sim2Real: Simulator-Conditioned Generation via Paired Driving-Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2610.08339v1
• Date: Tue, 06 Oct 2026 13:36:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.011627
• Title: Digital Twin-Driven Real2Sim2Real: Simulator-Conditioned Generation via Paired Driving-Scene Reconstruction
• Title（参考訳）: ディジタル双極子駆動型Real2Sim2Real:ペア駆動シーン再構築によるシミュレータ構築
• Abstract要約: 本稿では,デジタルツイン駆動のReal2Sim2Realパイプラインが,ターゲット領域の実データに取って代わることを示す。 DT-R2S2Rは、低コストでジオレファレンスなシミュレータデータを得た光リアルな駆動画像を合成する。 デジタルツイン利用可能な地域では、手動のオンサイトデータ収集とアノテーションのコストを大幅に削減することができる。
• 参考スコア（独自算出の注目度）: 5.155550518938652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera-based 3D perception for autonomous driving relies heavily on large annotated datasets, and deploying such a system to a new target region typically requires data collection and annotation. Generative augmentation has been proposed to reduce this cost, but existing approaches face a fundamental trade-off: label-conditioned methods consume the very annotations they aim to replace, while simulator-conditioned methods offer free annotations but lack visual grounding to specific real environments. This work investigates the extent to which a digital-twin-driven Real2Sim2Real pipeline (DT-R2S2R) can substitute for target-region real data. By reconstructing recorded driving clips inside a georeferenced digital twin (DT-R2S), we condition a diffusion model on geometrically aligned simulator renderings, establishing a digital twin-grounded Sim2Real model (DT-S2R). As a result, DT-S2R synthesizes photorealistic driving images given low-cost yet georeferenced simulator data across both reconstructed and novel simulator scenes within digital-twin coverage. The efficacy of generated data is verified on diverse 3D detectors. DETR3D, especially, reports 93.18% of mAP obtained by a target-region real-data oracle, without employing target images for detector training. Furthermore, simple co-training with existing out-of-target real data outperforms the oracle. Thus, DT-R2S2R can substantially reduce the cost of manual on-site data collection and annotation in digital twin-available districts, providing a practical foundation for scaling 3D perception.
• Abstract（参考訳）: 自律運転のためのカメラベースの3D認識は、大きな注釈付きデータセットに大きく依存しており、そのようなシステムを新しいターゲット領域にデプロイするには、通常、データ収集とアノテーションが必要である。 ラベル条件付きメソッドは、彼らが置き換えようとするアノテーションを消費するのに対して、シミュレータ条件付きメソッドは、無料のアノテーションを提供するが、特定の実際の環境に対する視覚的基盤を欠いている。 本研究は,デジタルツイン駆動のReal2Sim2Realパイプライン(DT-R2S2R)がターゲット領域の実データに置換できる範囲について検討する。 ジオレファレンス付きデジタルツイン(DT-R2S)内の記録された駆動クリップを再構成することにより、幾何学的に整列したシミュレータレンダリングに拡散モデルを適用し、デジタルツイングラウンドSim2Realモデル(DT-S2R)を確立する。 その結果、DT-S2Rは、デジタル双対カバレッジにおいて、再構成および新規シミュレータシーンの双方にわたって、低コストでジオレファレンスされたシミュレータデータに対して、光リアルな駆動画像を合成する。 生成したデータの有効性は、多様な3D検出器で検証される。 DETR3Dは、特に、ターゲット領域の実データオラクルが取得したmAPの93.18%を、検出器の訓練にターゲットイメージを使わずに報告している。 さらに、既存のターゲット外の実際のデータとの単純なコトレーニングは、オラクルよりも優れています。 これにより、DT-R2S2Rは、デジタルツイン利用可能地区における手動オンサイトデータ収集とアノテーションのコストを大幅に削減し、3D知覚をスケールするための実用的な基盤を提供する。

関連論文リスト

• 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)
• Image2Sim: Scaling Embodied Navigation via Generative Neural Simulator [70.34667754804168]
  Embodied Navigationは、マルチモーダルな目標を解釈し、3D空間を推論し、現実の世界で確実に目的地に到達するエージェントを構築することを目的としている。 本稿では,RGB-D画像シーケンスから高品質な対話環境を構築するリアルタイムニューラルネットワークフレームワークであるImage2Simを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T02:42:41Z)
• UrbanTwin: Synthetic LiDAR Datasets (LUMPI, V2X-Real-IC, and TUMTraf-I) [3.1508266388327324]
  UrbanTwinデータセットは、3つの公開ロードサイドライダーデータセットの高忠実で現実的なレプリカである。 各UrbanTwinデータセットには、パブリックデータセットの1つに対応する10Kフレームが含まれている。
  論文  参考訳（メタデータ） (2025-09-08T15:06:02Z)
• High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception [3.1508266388327324]
  本稿では,実世界の背景形状,レーンレベルの道路トポロジ,センサ固有の仕様と配置を組み込んだ高忠実なディジタルツイン(HiFi DT)フレームワークを提案する。 実験の結果、DT訓練モデルでは、実際のデータでトレーニングされた同等のモデルを4.8%上回る結果が得られた。
  論文  参考訳（メタデータ） (2025-09-03T00:12:58Z)
• UrbanTwin: Building High-Fidelity Digital Twins for Sim2Real LiDAR Perception and Evaluation [3.1508266388327324]
  本チュートリアルでは,高忠実度ディジタルツイン(HiFi DT)を構築するための再現可能なワークフローを導入し,リアルな合成データセットを生成する。 衛星画像やOpenStreetMap,センサ仕様などのオープンソースリソースを用いて,静的な地形,道路インフラストラクチャ,動的トラフィックをモデル化するための実践的な手順を概説する。 結果として得られる環境は、スケーラブルで費用効率のよいデータ生成をサポートし、堅牢なSim2Real学習を実現する。
  論文  参考訳（メタデータ） (2025-09-03T00:12:15Z)
• R3D2: Realistic 3D Asset Insertion via Diffusion for Autonomous Driving Simulation [78.26308457952636]
  本稿では,自律運転シミュレーションの限界を克服する軽量な1ステップ拡散モデルであるR3D2を紹介する。 シャドウや一貫した照明など、妥当なレンダリング効果を生み出すことで、既存のシーンに完全な3Dアセットを現実的に挿入することができる。 R3D2は挿入されたアセットの現実性を大幅に向上させ,テキストから3Dへのアセット挿入やクロスシーン/データセットオブジェクト転送といったユースケースを可能にした。
  論文  参考訳（メタデータ） (2025-06-09T14:50:19Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
  本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。 再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。 シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2020-11-16T17:16:32Z)

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。