概要: LiDAR知覚は、遠方物体における距離依存の疎性によって厳しく制限されています。拡散モデルは密な幾何を復元できますが、容認しがたいレイテンシと、ゴースト点として現れる物理的なハルシネーションに悩まされます。私たちは、密化を生成ではなく確率的な洗練として扱う枠組みであるScanline-Consistent Range-Aware Diffusionを提案します。粗い事前分布に対してPartial Diffusion（SDEdit）を活用することで、わずか156msで高忠実度の結果を得ます。新たに提案するRay-Consistency損失とNegative Ray Augmentationにより、センサ物理を強制してアーティファクトを抑制します。私たちの手法は、KITTI-360およびnuScenesで最先端の結果を達成し、再学習なしで市販の3D検出器を直接強化します。コードは公開予定です。
LiDARポイントクラウド密度補完のための物理に配慮した拡散
arXiv cs.CV / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、距離依存のスパース性が知覚タスクに起因して生じるLiDARポイントクラウドの密度補完（densification）の課題に取り組む。既存の拡散手法では、非現実的な「ゴーストポイント」が生成されうるほか、高いレイテンシも発生する。
- 「スキャンライン整合・距離（レンジ）に配慮した拡散（Scanline-Consistent Range-Aware Diffusion）」を提案し、密度補完を自由形式の生成ではなく、粗い事前分布（coarse prior）を確率的に洗練（refinement）する問題として捉え直す。
- 部分拡散（Partial Diffusion, SDEdit）を用いることで高速推論を目標とし、約156msで高忠実度な密度補完を実現する。
- センサ／物理の制約を強制し、物理的な幻覚（physical hallucinations）を抑制するために、レイ整合（Ray-Consistency）ロスとネガティブ・レイ・オーギュメンテーション（Negative Ray Augmentation）を導入する。
- KITTI-360およびnuScenesでの実験により、最先端の性能を示す。検出器の再学習を必要とせずに既製の3D検出器（off-the-shelf 3D detectors）の性能を向上させ、コード公開を予定している。
