論文の概要: SynCalib: Breaking Dataset Shortcuts in LiDAR-Camera Calibration via Extrinsic-Controllable Synthesis
- arxiv url: http://arxiv.org/abs/2610.27547v1
- Date: Tue, 20 Oct 2026 02:59:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.596599
- Title: SynCalib: Breaking Dataset Shortcuts in LiDAR-Camera Calibration via Extrinsic-Controllable Synthesis
- Title（参考訳）: SynCalib: 外部制御可能な合成によるLiDAR-Cameraキャリブレーションにおけるデータセットの切断
- Abstract要約: 本稿では,LiDARカメラキャリブレーションネットワークのトレーニングに適した,高度に一般化可能なデータ生成フレームワークを提案する。
本フレームワークは,深度基底真理を付加した既存の全方位画像データセットを活用し,マルチモーダルキャリブレーションデータを合成する。
我々は、様々なカメラ-LiDAR構成の総合的な実世界評価を行い、我々の合成データに特化して訓練されたモデルのゼロショット転送能力を検証する。
- 参考スコア（独自算出の注目度）: 15.920524263873185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online LiDAR-camera calibration remains a fundamental yet challenging task in the field of robotics. Recently, deep learning-based data-driven approaches have emerged, offering high-precision, targetless calibration capabilities. However, existing methods often suffer from a critical dataset shortcut phenomenon due to the lack of extrinsic diversity in their training data. Networks tend to overfit to fixed nominal extrinsic configurations, leading to severe performance degradation and poor generalization in real-world deployments. To address this limitation, we propose a highly generalizable data generation framework tailored for training LiDAR-camera calibration networks. Our framework leverages existing omnidirectional image datasets annotated with depth ground truth to synthesize multi-modal calibration data under rigorous extrinsic constraints. Extensive experiments demonstrate that the data generated by our pipeline significantly enhances the generalization and robustness of typical learning-based calibration networks. Furthermore, we conduct comprehensive real-world evaluations across various camera-LiDAR configurations, validating the zero-shot transfer capability of models trained exclusively on our synthetic data. To facilitate future research and community use, the code for data generation, the pre-trained models, and online benchmark datasets will be made publicly available.
- Abstract（参考訳）: オンラインLiDARカメラのキャリブレーションは、ロボティクスの分野では根本的だが難しい課題である。
近年,高精度でターゲットレスキャリブレーション機能を備えたディープラーニングベースのデータ駆動型アプローチが登場している。
しかし、既存の手法はトレーニングデータに外在的な多様性が欠如しているため、重要なデータセットショートカット現象に悩まされることが多い。
ネットワークは、名前付き外在的な構成の固定に過度に適合する傾向にあり、現実のデプロイメントにおいて、パフォーマンスが著しく低下し、一般化が不十分になる。
この制限に対処するために,LiDAR-cameraキャリブレーションネットワークのトレーニングに適した,高度に一般化可能なデータ生成フレームワークを提案する。
本フレームワークは, 深層地盤の真理を付加した既存の全方位画像データセットを利用して, 厳密な外部制約下でのマルチモーダルキャリブレーションデータを合成する。
大規模な実験により、パイプラインによって生成されたデータは、典型的な学習ベースキャリブレーションネットワークの一般化とロバスト性を大幅に向上させることが示された。
さらに、様々なカメラ-LiDAR構成の総合的な実世界評価を行い、合成データにのみ訓練されたモデルのゼロショット転送能力を検証した。
将来の研究とコミュニティ利用を促進するため、データ生成のためのコード、事前訓練されたモデル、オンラインベンチマークデータセットが公開されている。
関連論文リスト
- GazePrior: Zero-Shot AR/VR Eye Tracking via Learned 3D Gaze Reconstruction [60.68732444876243]
我々は、さまざまなアイデンティティ、視線方向、光設定にわたる人間の目の分布をモデル化する、データ駆動型3Dプリミティブを導入する。
このモデルは、以前のETデバイスで収集された注釈付きデータのスパースインプット3D再構成を可能にする。
提案手法は, 実データ収集の現実性, 多様性, 地道的精度を, 禁止コストを伴わずに, データを合成する。
論文 参考訳（メタデータ） (2026-05-21T11:54:01Z) - A Real-Calibrated Synthetic-First Data Engine [0.0]
Real-Calibrated Synthetic-First Data Engineは、コントロール可能な拡散生成と、統一パイプライン内でのマルチステージキュレーション/フィルタリングを組み合わせた、モジュラーデータエンジニアリングフレームワークである。
合成データを用いて, 実際のアンカーに付随して, ほぼゼロの人為的アノテーションによる拡張を行うと, 実際のデータベースラインが向上する一方で, 合成専用トレーニングは実データのみの性能よりもかなり低いままであることを示す。
論文 参考訳（メタデータ） (2026-05-10T18:34:43Z) - DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network [57.22935789233992]
本稿では,オンライン方式で動作するLiDARカメラ外装キャリブレーションネットワークについて紹介する。
提案手法は,一般化可能性の観点から既存手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-01-03T13:57:01Z) - RLCNet: An end-to-end deep learning framework for simultaneous online calibration of LiDAR, RADAR, and Camera [2.825460805162022]
本稿では,LiDAR,RADAR,カメラセンサのオンライン校正を同時に行うための,エンドツーエンドのトレーニング可能な新しいディープラーニングフレームワークであるRCCNetを提案する。
重み付けされた移動平均と外れ値の拒絶を組み込んだオンラインキャリブレーションフレームワークを導入し、キャリブレーションパラメータの動的調整を可能にする。
一方,既存手法との比較では,提案手法の精度とロバスト性に優れていた。
論文 参考訳（メタデータ） (2025-12-09T05:38:30Z) - Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。
本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。
経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
論文 参考訳（メタデータ） (2025-06-20T00:17:14Z) - CalibRefine: Deep Learning-Based Online Automatic Targetless LiDAR-Camera Calibration with Iterative and Attention-Driven Post-Refinement [7.736775961390864]
CalibRefineは完全に自動化され、ターゲットレス、オンラインキャリブレーションフレームワークである。
生のLiDAR点雲とカメラ画像を直接処理する。
以上の結果から,頑健なオブジェクトレベルの特徴マッチングと反復的改善と自己監督的注意に基づく改善が組み合わさって,信頼性の高いセンサアライメントを実現することが示唆された。
論文 参考訳（メタデータ） (2025-02-24T20:53:42Z) - What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。
我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。
また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
論文 参考訳（メタデータ） (2025-01-28T14:12:32Z) - Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。
我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。
実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
論文 参考訳（メタデータ） (2024-06-11T13:34:57Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z)
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。