論文の概要: PriorMaskMap: Robust Online Vectorized Map Construction with Biased Priors

• arxiv url: http://arxiv.org/abs/2610.39283v1
• Date: Thu, 29 Oct 2026 03:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 00:23:24.059098
• Title: PriorMaskMap: Robust Online Vectorized Map Construction with Biased Priors
• Title（参考訳）: PriorMaskMap: バイアスドプライバシによるロバストなオンラインベクトルマップ構築
• Abstract要約: PriorMaskMapは、事前に誘導されたベクトル化マップ構築のためのフレームワークである。 PACEは信頼性スコアを信頼性、誤り、または空白に分類される領域に割り当てる。 CGPFモジュールは、改良されたバージョンを使用して空間的にマスクを伝搬し、精製し、以前のマップとBEV機能の融合を初期化する。
• 参考スコア（独自算出の注目度）: 5.740305577807884
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online vectorized map construction provides autonomous vehicles with essential, real-time semantic and geometric scene understanding. While leveraging prior maps presents an opportunity to improve accuracy, they are often biased due to outdated information or temporary road changes. Existing methods, which typically treat priors as fully reliable or only consider limited noise patterns, suffer severe performance degradation when these priors are imperfect. To address this, we propose PriorMaskMap, a robust framework for prior-guided vectorized map construction. Its first innovation is a Prior-Aware Confidence Estimator (PACE) that evaluates the input rasterized map against current visual observations. It assigns confidence scores to regions classified as reliable, erroneous, or blank, creating a foundational mask that guides two subsequent branches. In one branch, the Dual-Prior Query Generator (DPQG) selectively filters and embeds both rasterized and vectorized priors to initialize informative queries from trustworthy map structures. In the other, the Confidence-Guided Prior Fusion (CGPF) module spatially propagates and refines the mask, using the refined version to govern the fusion of BEV features with the prior map, thereby providing rich contextual representations for the map decoder. Evaluation on the nuScenes dataset shows that PriorMaskMap achieves superior mapping precision over existing approaches and exhibits marked robustness when provided with priors containing apparent errors. Our code is released at https://github.com/healenrens/PriorMaskMap.
• Abstract（参考訳）: オンラインベクトル化マップ構築は、自律走行車に必要不可欠な、リアルタイムな意味と幾何学的なシーン理解を提供する。 先行マップを利用すると精度が向上する可能性があるが、古い情報や一時的な道路変更のためにバイアスがかかることが多い。 従来の手法では、前者が完全に信頼されているか、限られたノイズパターンしか考慮していないが、前者が不完全である場合、パフォーマンスが著しく低下する。 そこで本稿では,事前誘導ベクトル化マップ構築のための堅牢なフレームワークであるPreferMaskMapを提案する。 その最初の革新は、入力ラスタ化マップを現在の視覚的観察に対して評価する事前認識信頼度推定器(PACE)である。 信頼スコアを信頼性、誤った、または空白と分類された領域に割り当て、基礎マスクを作成し、2つの後続の枝を導く。 あるブランチでは、Dual-Prior Query Generator (DPQG) がラスタ化とベクター化の両方を選択的にフィルタリングして埋め込み、信頼できるマップ構造から情報クエリを初期化する。 一方、信頼誘導事前融合(CGPF)モジュールは空間的にマスクを伝播・洗練し、改良されたバージョンを使用してBEV特徴と事前マップとの融合を制御し、地図デコーダにリッチな文脈表現を提供する。 nuScenesデータセットの評価によると、PredorMaskMapは既存のアプローチよりも優れたマッピング精度を実現しており、明らかなエラーを含む事前情報を提供すると、顕著な堅牢性を示す。 私たちのコードはhttps://github.com/healenrens/PriorMaskMapでリリースされています。

関連論文リスト

• From Fragments to Global Maps: Learning Vectorized Map Aggregation with Large Language Models [57.34005676470192]
  大規模ベクトル化HDマップは、自律運転において知覚、局所化、計画に不可欠な構造化道路情報を提供する。 既存のアグリゲーション法は通常、フラグメントアソシエーションとリファインメントのための手作りのルールに依存している。 大規模言語モデルを用いた条件付きシーケンス生成としてベクトル化マップアグリゲーションを定式化するデータ駆動型フレームワークであるMapMergeLLMを提案する。
  論文  参考訳（メタデータ） (2026-10-01T21:35:52Z)
• Uni-PrevPredMap: Extending PrevPredMap to a Unified Framework of Prior-Informed Modeling for Online Vectorized HD Map Construction [9.166949877822807]
  我々は、以前の予測を統合し、古いHDマップをシミュレートした、統合された事前インフォームドフレームワークUni-PrevPredMapを提案する。 Uni-PrevPredMapは、確立されたオンラインベクトル化HDマップ構築ベンチマーク間で、マップ依存シナリオにおける最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-09T07:36:17Z)
• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• Driving with Prior Maps: Unified Vector Prior Encoding for Autonomous Vehicle Mapping [18.97422977086127]
  高精細マップ(HDマップ)は、自動運転車の正確なナビゲーションと意思決定に不可欠である。 オンボードセンサーを用いたHDマップのオンライン構築が有望なソリューションとして浮上した。 本稿では,事前マップのパワーを活用して,これらの制約に対処するPresidedDriveフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-09T06:17:46Z)
• PriorMapNet: Enhancing Online Vectorized HD Map Construction with Priors [15.475364300374403]
  先行データを用いたオンラインベクトル化HDマップ構築を強化するために,PreferMapNetを導入する。 提案したPreferMapNetは,nuScenesおよびArgoverse2データセット上でのオンラインベクトル化HDマップ構築タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-08-16T15:26:23Z)
• Online Map Vectorization for Autonomous Driving: A Rasterization Perspective [58.71769343511168]
  より優れた感度を有し,現実の自律運転シナリオに適した,新化に基づく評価指標を提案する。 また、精度の高い出力に微分可能化を適用し、HDマップの幾何学的監視を行う新しいフレームワークであるMapVR(Map Vectorization via Rasterization)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:51:14Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。