論文の概要: Fog-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Recovering Fog-Hidden Objects
- arxiv url: http://arxiv.org/abs/2611.16742v1
- Date: Thu, 12 Nov 2026 12:56:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.471692
- Title: Fog-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Recovering Fog-Hidden Objects
- Title(参考訳): Fog-FWL:Fog-Hidden Objectsを復元するための大規模フルウェーブフォームLiDARデータセット
- Abstract要約: LiDARは自動運転のコアセンサーだが、霧に弱い。
実世界のベンチマークであるFog-FWL-Realと大規模合成トレーニングセットであるFog-FWL-SimからなるデータセットであるFog-FWLを提案する。
Fog-FWL-Realは8つのシーンから7,527個の実フォグギーFWLフレームと58個のシークエンスを含んでおり、これは現存する唯一の実フォグギーFWLデータより579倍大きい。
Fog-FWL-Simは物理シミュレータFog-FWL-Simulatorで生成された12,000フレームを含む
- 参考スコア(独自算出の注目度): 6.289742161117541
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR is a core sensor for autonomous driving, yet it is highly vulnerable to fog. Fog scattering produces strong backscatter near the sensor and attenuates reflections from objects behind it, so weak object returns are often discarded by the peak detection that converts received signals into point clouds. Full-waveform LiDAR (FWL), which records the received optical signal before peak detection, retains these weak returns, but the lack of suitable data has prevented research on recovering fog-hidden objects from FWL. We present Fog-FWL, a dataset foundation for this task that consists of a real-world benchmark, Fog-FWL-Real, and a large-scale synthetic training set, Fog-FWL-Sim. Fog-FWL-Real contains 7,527 real foggy FWL frames from 8 scenes and 58 sequences, which is 579x larger than the only existing real foggy FWL data, together with histogram-level Object/Fog/Noise labels, 10,719 3D bounding boxes, and three difficulty levels defined by the attenuation of object reflections. Fog-FWL-Sim contains 12,000 frames generated by our physics-based simulator, Fog-FWL-Simulator, which integrates spatially heterogeneous fog density fields, time-resolved light transport including multiple scattering, and a photon-counting SPAD receiver model. The two subsets share the same sensor format and annotation protocol, enabling a strict sim-to-real evaluation in which no real waveforms are used for training. Our analysis shows that, under the hardest condition, object returns are included in the three strongest peaks for only 34.9% of object rays, underscoring the need for waveform-level recovery. Fog-FWL-Real, Fog-FWL-Sim, and the Fog-FWL-Simulator will be publicly released to facilitate research on fog-robust LiDAR perception.
- Abstract(参考訳): LiDARは自動運転のコアセンサーだが、霧に弱い。
フォッグ散乱はセンサーの近傍で強い後方散乱を発生させ、後方の物体からの反射を減衰させるため、弱い物体の帰還はしばしば、受信した信号を点雲に変換するピーク検出によって破棄される。
ピーク検出前に受信した光信号を記録するフルウェーブフォームLiDAR(FWL)は、これらの弱いリターンを保持するが、適切なデータがないため、フォグ隠れた物体をFWLから回収する研究が妨げられている。
本稿では、実際のベンチマークであるFog-FWL-Realと、大規模な合成トレーニングセットであるFog-FWL-Simからなる、このタスクのためのデータセット基盤であるFog-FWLを紹介する。
Fog-FWL-Realは8つのシーンから7,527個の実霧FWLフレームと58個のシークエンスから構成されており、これは現存する唯一の実霧FWLデータより579倍大きい。
Fog-FWL-Simは,空間的に不均一な霧密度場,多重散乱を含む時間分解光輸送,光子計数SPAD受信機モデルを統合した物理シミュレータFog-FWL-Simulatorで生成された12,000フレームを含む。
2つのサブセットは同じセンサーフォーマットとアノテーションプロトコルを共有しており、トレーニングに実際の波形を使用しない厳密なsim-to-real評価を可能にする。
最も厳しい条件下では、オブジェクトリターンは、34.9%のオブジェクト光の3つの最強ピークに含まれており、波形レベルのリカバリの必要性が強調されている。
Fog-FWL-Real、Fog-FWL-Sim、Fog-FWL-Simulatorは霧を吸収するLiDARの認識を促進するために一般公開される。
関連論文リスト
- Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。
本稿ではフォグフール(FogFool)を提案する。
2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2026-04-16T05:47:57Z) - Ghost-FWL: A Large-Scale Full-Waveform LiDAR Dataset for Ghost Detection and Removal [2.365650942022388]
ゴーストポイント(ゴーストポイント、またはゴーストポイント)は、ガラスと反射面からのマルチパスレーザーの反射によって引き起こされる偽反射であり、3Dマッピングと位置決め精度が著しく低下している。
We exploit full-waveform LiDAR (FWL) which captures complete temporal intensity profiles not only peak distances。
Ghost-FWLは、ゴースト検出と削除のための最初の、そして最大のアノテートされたモバイルFWLデータセットである。
論文 参考訳(メタデータ) (2026-03-30T09:46:55Z) - VFMM3D: Releasing the Potential of Image by Vision Foundation Model for Monocular 3D Object Detection [80.62052650370416]
モノクル3Dオブジェクト検出は、自律運転やロボティクスなど、さまざまなアプリケーションにおいて重要な役割を担っている。
本稿では,VFMM3Dを提案する。VFMM3Dは,ビジョンファウンデーションモデル(VFM)の機能を利用して,単一ビュー画像を正確にLiDARポイントクラウド表現に変換する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2024-04-15T03:12:12Z) - RaLiBEV: Radar and LiDAR BEV Fusion Learning for Anchor Box Free Object
Detection Systems [13.046347364043594]
自動運転では、LiDARとレーダーは環境認識に不可欠である。
最近の最先端の研究は、レーダーとLiDARの融合が悪天候の堅牢な検出につながることを明らかにしている。
鳥眼ビュー融合学習に基づくアンカーボックスフリー物体検出システムを提案する。
論文 参考訳(メタデータ) (2022-11-11T10:24:42Z) - TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with
Transformers [49.689566246504356]
そこで本研究では,LiDAR-カメラ融合に対するソフトアソシエーション機構による堅牢な解であるTransFusionを提案する。
TransFusionは大規模データセット上で最先端のパフォーマンスを実現する。
提案手法を3次元トラッキングタスクに拡張し,nuScenesトラッキングのリーダーボードにおける第1位を達成する。
論文 参考訳(メタデータ) (2022-03-22T07:15:13Z) - 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。