論文の概要: Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection

• arxiv url: http://arxiv.org/abs/2610.13891v1
• Date: Fri, 09 Oct 2026 17:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.702046
• Title: Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection
• Title（参考訳）: 雪の向こう:LiDAR物体検出におけるメタファクタの融合による気象効果の遠ざかる
• Abstract要約: 光検出と照準(LiDAR)は、自律的な知覚にとって重要であるが、その性能は悪天候下で劣化することが知られている。 既存の文献では、雪は性能を低下させる大気ノイズとしてモデル化されているが、WADS-3DおよびCADCデータセットの粒度評価では、直観に反する現象が明らかになっている。 アブレーション研究とメタ情報分析を通じて、降雪が騒音として作用する一方で、その負の影響が支配的かつ同時的な要因であるオブジェクトポイント数の増加によって上回っていることを確認して、これを再現する。
• 参考スコア（独自算出の注目度）: 43.62515260989309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Light Detection and Ranging (LiDAR) is critical for autonomous perception, yet its performance is known to degrade in adverse weather. While existing literature models snow as atmospheric noise that degrades performance, our granular evaluation on the WADS-3D and CADC datasets reveals a counter-intuitive phenomenon: detection accuracy consistently improves as snow intensity increases. Through ablation study and meta-information analysis, we reconcile this by confirming that while falling snow acts as noise, its negative impact is outweighed by a dominant, concurrent factor: significantly increased object point count. We hypothesize that this object point count boost acts as a geometric enhancement, driven by snow accumulation increasing vehicle surface area and a shift from specular to diffuse reflectance. Our findings demonstrate that evaluating perception systems using broad weather-severity bins without accounting for correlated object-level data can lead to misleading conclusions about detector robustness. We conclude that accurate evaluation requires decoupling atmospheric noise from surface accumulation effects and outline future research to validate these physical models. The WADS-3D dataset is available at: https://digitalcommons.mtu.edu/wads-3d/.
• Abstract（参考訳）: 光検出と照準(LiDAR)は、自律的な知覚にとって重要であるが、その性能は悪天候下で劣化することが知られている。 既存の文献では、雪は性能を低下させる大気ノイズとしてモデル化されているが、WADS-3DおよびCADCデータセットの粒度評価では、雪の強度が増加するにつれて、検出精度が一貫して向上する、という逆直観的な現象が明らかになっている。 アブレーション研究とメタ情報分析を通じて、降雪が騒音として作用する一方で、その負の影響が支配的かつ同時的な要因であるオブジェクトポイント数の増加によって上回っていることを確認して、これを再現する。 本研究は, 車両表面積の増大に伴う積雪の増大と, 反射率から拡散率へのシフトにより, この物体点数の増加が幾何的拡張として働くことを仮定する。 本研究は, 対象値の相関を考慮せずに, 広範囲の気象重大ビンを用いた認識システムの評価を行うことにより, 検出器のロバスト性に関する誤解を招く可能性が示唆された。 正確な評価には,大気騒音を表面積効果から分離する必要があると結論し,これらの物理モデルを検証するために今後の研究を概説する。 WADS-3Dデータセットは、https://digitalcommons.mtu.edu/wads-3d/で利用可能である。

関連論文リスト

• 3D Roadway Scene Object Detection with LIDARs in Snowfall Conditions [2.1580846693824776]
  本研究は,雪条件下での自動車用グレードLiDARの性能に着目した。 降雪速度の異なるLiDAR信号がいかに減衰するか, 光源近傍の雪粒子が小さいが効率的な反射体として機能するかを検討する。
  論文  参考訳（メタデータ） (2025-10-25T21:14:45Z)
• Towards Robust 3D Object Detection In Rainy Conditions [10.920640666237833]
  道路噴霧に対するLiDARを用いた3次元物体検出装置のロバスト性向上のための枠組みを提案する。 当社のアプローチでは,LiDAR点雲からの噴霧を除去するために,最先端の悪天候検知ネットワークを用いている。 悪天候のフィルタリングに加えて、レーダターゲットを用いて偽陽性検出をさらにフィルタリングする方法について検討する。
  論文  参考訳（メタデータ） (2023-10-02T07:34:15Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。