論文の概要: Let LiDAR Decide Where to Look: Geometry-Measured Token Selection for Efficient Sparse Latent World Models
- arxiv url: http://arxiv.org/abs/2610.40935v1
- Date: Thu, 29 Oct 2026 20:11:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.485329
- Title: Let LiDAR Decide Where to Look: Geometry-Measured Token Selection for Efficient Sparse Latent World Models
- Title（参考訳）: LiDARがどこに見るべきか決定する: 効率的なスパース潜在世界モデルのための幾何測定トークン選択
- Abstract要約: 視覚中心の自動運転モデルは、フレームごとに何千もの画像トークンを符号化するが、そのほとんどは空や建物、空の道路を描いている。
We present Geometry-Aware Token Selection (GATS) which using LiDAR and radar point projections to select fraction of image tokens。
25%の予算で、GATSはニューセンズで0.520m、NAVSIMSで88.9の3秒のL2変位誤差を達成し、密度の高いベースライン(0.573m / 85.9)を6.6タイムスで通過する。
- 参考スコア（独自算出の注目度）: 4.836364509847539
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-centric autonomous driving models encode thousands of image tokens per frame, yet most depict sky, buildings, or empty road---content irrelevant to planning. Worse, these tokens dilute the planner's attention: we show that randomly discarding 75% of tokens already outperforms the dense model, because the planner can concentrate on the remaining driving-critical content. Building on this finding, we present Geometry-Aware Token Selection (GATS), which uses LiDAR and radar point projections to select a small fraction of image tokens before the vision backbone runs. Because the selector operates on measured 3D geometry rather than visual features, the backbone encodes only the selected patches, cutting end-to-end FLOPs by up to $18\times$. Each kept token receives a 3D anchor from its LiDAR point and is fed to a self-supervised latent world model that predicts future features and 3D displacements without box annotations. At 25% budget, GATS achieves a 3-sec L2 displacement error of 0.520 m on nuScenes and an EPDMS of 88.9 on NAVSIM---surpassing the dense baseline (0.573 m / 85.9) at $6.6\times$ fewer total FLOPs. At an extreme 10% budget (24 GFLOPs, $18\times$ reduction), it still beats the dense baseline on both nuScenes (0.537 m vs. 0.573 m L2) and NAVSIM (87.9 vs. 85.9 EPDMS). On 739 intent-critical scenarios, GATS covers 95.8% of hazardous vehicles and achieves a 0.09% collision rate---73.5% lower than the dense model (0.34%).
- Abstract（参考訳）: ビジョン中心の自動運転モデルは、フレームごとに何千もの画像トークンを符号化するが、ほとんどの場合、空や建物、空の道路を描いている。
さらに悪いことに、これらのトークンはプランナーの注意を薄めている: トークンの75%をランダムに破棄することは、プランナーが残りの運転クリティカルなコンテンツに集中できるため、既に密集したモデルより優れていることを示す。
この発見に基づいて、視覚バックボーンが実行される前に、LiDARとレーダーポイントプロジェクションを使用して少量の画像トークンを選択するGeometry-Aware Token Selection (GATS)を提案する。
セレクタは視覚的特徴ではなく計測された3D形状で動作するため、バックボーンは選択したパッチのみをエンコードし、エンドツーエンドのFLOPを最大18\times$でカットする。
各保持トークンは、LiDARポイントから3Dアンカーを受け取り、ボックスアノテーションなしで将来の特徴や3D変位を予測する自己教師付き潜在世界モデルに供給される。
25%の予算で、GATSはヌスケーレで0.520m、NAVSIMで88.9mの3秒のL2変位誤差を達成し、密度の高いベースライン(0.573m / 85.9)を6.6\times$より少ないFLOPで通過する。
極端に10%の予算 (24 GFLOPs, $18\times$ reduction) で、ヌッシーズ (0.537 m vs. 0.573 m L2) とNAVSIM (87.9 vs. 85.9 EPDMS) のベースラインを圧倒している。
739の意図クリティカルなシナリオでは、GATSは95.8%の有害車両をカバーし、0.09%の衝突率--73.5%が高密度モデル(0.34%)より低い。
関連論文リスト
- P$^3$-VLM: A Point-based Alternative for Grounded 3D Vision-Language Models [51.49845672660106]
P$3$-VLMは、ポイントベースのプロンプトをサポートし、位置接地キャプションにおける52.1%の最先端の精度を実現する新しい3次元3次元VLMである。
P$3$-VLMは3つの補完経路(ロケーション、タスク、コンテキスト認識)を使用して、ボックス依存を伴わずにシーンについて強力な推論を可能にする。
論文 参考訳（メタデータ） (2026-10-20T11:08:07Z) - SSM-Attack: Learning Where to Perturb for Black-Box Face Privacy [3.925313161884992]
SSM-AttackはSelective State Space Models上に構築されたブラックボックスのフェイスプライバシーフレームワークである。
3つの評価セットで平均的なブラックボックス攻撃の成功率に達する。
論文 参考訳（メタデータ） (2026-10-12T19:28:22Z) - CoVeR: Coverage-Based Token Pruning for Multi-View 3D Reasoning in VLMs [58.22241532542095]
3Dシーンをマルチビュー画像として表現することで、2D VLMは事前学習の事前知識を再利用し、注釈付き3Dデータの不足を補うことで3Dを推論することができる。
既存の視覚トークンプルーナーは2つのファミリーに分かれ、それぞれが3Dマルチビュー設定に制限される。
空間被覆は3次元推論性能と関連し,トークン座標のみを用いた決定論的学習自由セレクタであるCoVeRを導入し,学習信号を持たないことを示す。
論文 参考訳（メタデータ） (2026-09-08T07:16:37Z) - Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane [52.210414985125816]
立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。
撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。
同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
論文 参考訳（メタデータ） (2026-09-06T19:58:35Z) - Lightweight Machine Learning-Driven Monocular Sidewalk Path Extraction for Embedded Micromobility Navigation [4.8020139207509684]
小型で低消費電力なハードウェア上で確実に動作するマイクロモビリティシステムにおいて,歩道経路抽出のための単眼視覚パイプラインを提案する。
コンパクトなSegFormer-B0学生モデルは、OneFormer Swin-Lの擬似ラベルを用いて教師付きセミ教師付きフレームワークで訓練され、1フレーム当たり11.7msで0.946の手書きのIoUを達成する。
6つのキャンパスにまたがるフルビデオのリプレイでは、改良されたセグメンテーションによって時間的不安定が1.46%から0.33%に減少することを確認した。
論文 参考訳（メタデータ） (2026-08-25T21:49:18Z) - Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。
その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
論文 参考訳（メタデータ） (2026-08-04T18:18:29Z) - More Structure, Not More Capacity: Object-Centric Representations for Visuomotor Imitation Learning [54.65906330923846]
対象中心のスロット表現は、事前学習された視覚モデルに代わる構造化された代替物であることを示す。
トークンの16倍の高密度なパッチグリッドは、グローバル機能に匹敵するパフォーマンスはない。
明示的な2D空間目標とネイティブ解像度レンダリングにより、全システムは68.7$pm$4.2%まで上昇し、特権付き3Dオーラクルの上界の直ぐ下にある。
論文 参考訳（メタデータ） (2026-07-10T10:35:24Z) - SAGA: A Robust Self-Attention and Goal-Aware Anchor-based Planner for Safe UAV Autonomous Navigation [12.127732071545195]
本稿では,安全無人航法のためのロバストな自己注意型アンカーベースプランナーSAGAを提案する。
SAGAは、固定された動きアンカーの格子上での1段階の関節回帰・ランク問題として局所計画を定式化する。
最大速度設定は2.0, 3.0, 4.0m/sで、SAGAは100%の成功率を一貫して達成している。
論文 参考訳（メタデータ） (2026-05-04T07:48:46Z) - Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。
これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。
15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
論文 参考訳（メタデータ） (2025-10-24T02:59:55Z) - Simple Baselines for Image Restoration [79.48718779396971]
本稿では,SOTA(State-of-the-art)法を超越した,計算効率の高い単純なベースラインを提案する。
我々は、ベースラインからActivation Free Network、すなわちNAFNetを導出する。
SOTAの結果は、GoProの33.69dB PSNR(画像劣化)、計算コストのわずか8.4%のSOTA 0.38dB、SIDDの40.30dB PSNR(画像劣化)、計算コストの半分未満のSOTA 0.28dBといった、様々な挑戦的なベンチマークで達成されている。
論文 参考訳（メタデータ） (2022-04-10T12:48:38Z) - Focal Modulation Networks [105.93086472906765]
自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる
ImageNet-1Kの精度は82.3%、83.9%である。
FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
論文 参考訳（メタデータ） (2022-03-22T17:54:50Z)
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。