センサーフュージョン2025/5/1arXiv:2505.09887

任意のLiDARをガイドとする拡散事前分布による教師なしレーダー点群強調

Unsupervised Radar Point Cloud Enhancement via Arbitrary LiDAR Guided Diffusion Prior

ペアデータ不要で、任意のLiDAR知識を組み込んだ拡散モデルを事前分布として使い、レーダー点群の角度分解能を教師なしで高める手法を提案した。

詳しい要約

1. どんなもの？

- radar の角度分解能は Rayleigh criterion（波長と実効開口長に依存）で制約される - 本研究は radar point cloud の分解能を高める unsupervised な enhancement 手法を提案 - 高解像度 LiDAR のドメイン知識を持つ diffusion model を prior として利用 - paired な radar-LiDAR 学習データを必要としない点が特徴 - radar の角度推定回復を inverse problem として定式化する枠組み

2. 先行研究と比べてどこがすごい？

- 従来の neural network ベース手法は training 時に paired な radar-LiDAR データを大量に必要とする - paired データは取得コストが高く calibration error にも脆弱という課題があった - 提案法は paired training data を不要とし、任意の LiDAR 由来 prior を活用 - 従来の regularization 手法と比べ high fidelity かつ low noise - paired 学習法と比較しても同等性能に加え generalization が向上 - 著者らの知る限り diffusion model の prior 統合で radar points を改善する初の手法

3. 技術・手法の肝は？

- radar の angle estimation recovery を inverse problem として定式化 - diffusion model に任意の LiDAR ドメイン知識を組み込んだ prior を用いる - paired な radar-LiDAR データを用いず unsupervised に enhancement を行う - 逆問題の解法に diffusion prior を組み合わせて角度推定を回復 - 詳細なアルゴリズム構成は要旨からは不明

4. どうやって有効だと検証した？

- 実験により high fidelity かつ low noise な性能を従来の regularization 手法と比較して示す - paired training を用いる手法と比較し同等の性能を達成 - さらに generalization capability の向上を示す - 具体的なデータセット名や評価指標は要旨からは不明

5. 議論はある？

- paired データ不要で calibration error の影響を回避できる利点が示唆される - 任意の LiDAR ドメイン知識を prior として使える柔軟性に言及 - 限界や失敗ケース、計算コストなどの詳細な議論は要旨からは不明 - 定量評価の詳細や比較条件は要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較対象として言及される neural network ベースの paired radar-LiDAR enhancement 手法 - 従来の regularization ベースの radar 角度推定手法 - diffusion model を inverse problem の prior として用いる手法（diffusion prior 系） - LiDAR を guidance に用いる radar super-resolution / enhancement 研究 - 個別の論文名は要旨に明記されていないため、上記カテゴリの関連研究を参照すべき

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yanlong Yang, Jianan Liu, Guanxiong Luo, Hao Li, Euijoon Ahn, Mostafa Rahimi Azghadi, Tao Huang

分類: cs.RO

原文アブストラクト

In industrial automation, radar is a critical sensor in machine perception. However, the angular resolution of radar is inherently limited by the Rayleigh criterion, which depends on both the radar's operating wavelength and the effective aperture of its antenna array.To overcome these hardware-imposed limitations, recent neural network-based methods have leveraged high-resolution LiDAR data, paired with radar measurements, during training to enhance radar point cloud resolution. While effective, these approaches require extensive paired datasets, which are costly to acquire and prone to calibration error. These challenges motivate the need for methods that can improve radar resolution without relying on paired high-resolution ground-truth data. Here, we introduce an unsupervised radar points enhancement algorithm that employs an arbitrary LiDAR-guided diffusion model as a prior without the need for paired training data. Specifically, our approach formulates radar angle estimation recovery as an inverse problem and incorporates prior knowledge through a diffusion model with arbitrary LiDAR domain knowledge. Experimental results demonstrate that our method attains high fidelity and low noise performance compared to traditional regularization techniques. Additionally, compared to paired training methods, it not only achieves comparable performance but also offers improved generalization capability. To our knowledge, this is the first approach that enhances radar points output by integrating prior knowledge via a diffusion model rather than relying on paired training data. Our code is available at https://github.com/yyxr75/RadarINV.

arXivで原文を読む →arXiv概要ページ

任意のLiDARをガイドとする拡散事前分布による教師なしレーダー点群強調

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell