LiDAR外れ値（OOD）検出のためのニューラル分布事前（NDP）

要旨: LiDARベースの認識は、悪い照明や視認性の条件に対して頑健であるため、自動運転において重要である。だが、現在のモデルはしばしばクローズドセット仮定のもとで動作しており、オープンワールドにおいて想定外のアウト・オブ・ディストリビューション（OOD）物体を認識できないことが多い。既存のOODスコアリング関数は、LiDARのOOD検出に固有の顕著なクラス不均衡を無視し、さらに一様なクラス分布を仮定しているため、性能が限定的である。この制限に対処するため、我々はニューラル・ディストリビューション・プライア（NDP）を提案する。これは、ネットワーク予測の分布構造をモデル化し、学習された分布プライアとの整合に基づいてOODスコアを適応的に再重み付けする枠組みである。NDPは学習データのログit（logit）分布パターンを動的に捉え、注意（attention）ベースのモジュールによりクラス依存の確信度バイアスを補正する。さらに、入力スキャンから多様な補助OODサンプルを生成する、パーリンノイズ（Perlin noise）に基づくOOD合成戦略を導入し、外部データセットなしで頑健なOOD学習を可能にする。SemanticKITTIおよびSTUベンチマークでの大規模な実験により、NDPがOOD検出性能を大幅に改善することが示される。具体的には、STUテストセットでポイントレベルAPが61.31\%に達し、従来の最良結果を10倍以上上回る。提案フレームワークは、さまざまな既存のOODスコアリングの定式化と互換性があり、オープンワールドのLiDAR認識に対する有効な解決策を提供する。