論文の概要: LiDAR Resolution Recovery via Foundation-Model-Guided Diffusion

• arxiv url: http://arxiv.org/abs/2610.08620v1
• Date: Tue, 06 Oct 2026 16:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.104854
• Title: LiDAR Resolution Recovery via Foundation-Model-Guided Diffusion
• Title（参考訳）: 基礎モデル誘導拡散によるLiDAR分解能回復
• Abstract要約: 2次元基礎モデルから擬似深度目標を持つLiDAR条件深度モデルを微調整する。 訓練中、LiDARコンディショニングは異なるビーム予算でランダムにデミネーションされる。 次に, 高精度な入力からLiDARスキャンをどの程度回収できるかを検証し, 入力ビーム予算をまたいだ性能を特徴付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-beam-count LiDAR sensors are costly, yet many perception pipelines require dense angular sampling. Using a pretrained Stable Diffusion model as the backbone, we fine-tune a LiDAR-conditioned depth model with pseudo-depth targets from a 2D foundation model. During training, the LiDAR conditioning is randomly decimated at different beam budgets. We then investigate how much of a LiDAR scan can be recovered from heavily decimated input and characterize performance across the input beam budget. We evaluate against physically held-out real beams on nuScenes and report recovery separately from fit accuracy. Our model yields its largest advantage in very sparse regimes, achieving a $δ_{1.25}$ accuracy of $66.8$% from $4$-beam input where scattered interpolation reaches only $45.1$%. A class-stratified error breakdown further reveals that planar surfaces recover first while objects introducing depth discontinuities degrade earliest. Together, these results quantify the recovery/resolution trade-off for foundation-model-guided LiDAR enhancement.
• Abstract（参考訳）: 高ビーム数LiDARセンサーは費用がかかるが、多くの知覚パイプラインは高密度角サンプリングを必要とする。 既訓練の安定拡散モデルを用いて、2次元基礎モデルから擬似深度目標を持つLiDAR条件深度モデルを微調整する。 訓練中、LiDARコンディショニングは異なるビーム予算でランダムにデミネーションされる。 次に, 高精度な入力からLiDARスキャンをどの程度回収できるかを検証し, 入力ビーム予算をまたいだ性能を特徴付ける。 我々は, nuScenes上の物理的に保持された実光に対して評価を行い, 適合精度から別々に報告した。 我々のモデルは、非常にまばらな状態において最大の利点をもたらし、散乱補間がわずか45.1ドル%に達する4ドルビーム入力から6.8ドル%の精度でδ_{1.25}$精度を達成している。 クラス成層誤差の分解により、平面面が最初に回復し、深度不連続性をもたらす物体が早期に劣化することが明らかとなった。 これらの結果は,基礎モデル誘導LiDAR向上のための回収・分解トレードオフの定量化に寄与する。

関連論文リスト

• Diffusion-Based Generative Priors for Efficient Beam Alignment in Directional Networks [2.1326442458534403]
  ビームアライメントは、細いビームが正確かつ低オーバーヘッドのトレーニングを必要とする方向のmmWaveとTHzシステムにおいて重要な課題である。 我々は,ビームアライメントを生成タスクとして再キャストし,コンパクトな幾何学的特徴やマルチパス特徴に先立って確率的ビームを学習する条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-30T09:21:03Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures [52.59993476989728]
  LiNeXtは、高速で正確なポイントクラウド補完に最適化された軽量で非拡散ネットワークである。 LiNeXtは推論の199.8倍の高速化を実現し、チャンファー距離を50.7%削減し、LiDiffと比較してパラメータの6.1%しか使用していない。
  論文  参考訳（メタデータ） (2025-11-13T11:28:18Z)
• D$^2$GS: Dense Depth Regularization for LiDAR-free Urban Scene Reconstruction [42.71951611524765]
  我々は,LiDARのない都市景観再構築フレームワークであるD$2$GSを提案する。 我々は、より密度が高く、より正確なLiDARと同等の有効性を持つ幾何学的先行値を得る。 我々の手法は一貫して最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-10-29T05:13:09Z)
• 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)
• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection [96.63947479020631]
  多くの現実世界の応用において、大量生産されたロボットや車両が使用するLiDARポイントは通常、大規模な公開データセットよりもビームが少ない。 異なるLiDARビームによって誘導される領域ギャップをブリッジして3次元物体検出を行うLiDAR蒸留法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:59:02Z)
• Advancing Self-supervised Monocular Depth Learning with Sparse LiDAR [22.202192422883122]
  本稿では,自己教師付き単分子深度学習を推進するための2段階ネットワークを提案する。 本モデルでは,単色画像特徴と疎LiDAR特徴を融合させて初期深度マップを推定する。 我々のモデルは、下流タスクのモノクロ3Dオブジェクト検出において、最先端のスパース-LiDAR法(Pseudo-LiDAR++)を68%以上向上させる。
  論文  参考訳（メタデータ） (2021-09-20T15:28:36Z)

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。