異常検知/セグメンテーション2026/4/1arXiv:2604.23604

3D LiDAR異常セグメンテーションのための分布外物体識別学習

Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation

既知クラスの特徴分布をモデル化して異常サンプルを制約する、特徴空間で直接動作する新しい3D LiDAR異常セグメンテーション手法を提案し、実世界と合成データを組み合わせた新データセットも導入した。

詳しい要約

1. どんなもの？

- 3D LiDAR anomaly segmentationのための新しい手法とデータセットを提案。 - 既存の2D visionの後処理技術ではなく、特徴空間で直接動作し、inlierクラスの特徴分布をモデル化して異常サンプルを制約。 - 公開されている3D LiDAR anomaly segmentationデータセットの限界（単純なシナリオ、異常インスタンスの少なさ、センサ解像度によるドメインギャップ）を補うため、混合実合成データセットを導入。 - 複数のout-of-distributionオブジェクトと多様で複雑な環境を含む。

2. 先行研究と比べてどこがすごい？

- 既存の3D LiDAR anomaly segmentation研究は限られており、多くは2D visionの後処理技術を適用している。 - 提案手法は特徴空間で直接動作し、inlierクラスの特徴分布をモデル化することで異常サンプルを制約する点が新しい。 - 既存の公開データセットは単純なシナリオで異常インスタンスが少なく、センサ解像度による深刻なドメインギャップがある。 - 提案する混合実合成データセットは、確立されたsemantic segmentationベンチマークに基づき、複数のout-of-distributionオブジェクトと多様で複雑な環境を提供する。

3. 技術・手法の肝は？

- 特徴空間で直接動作する効率的なアプローチを提案。 - inlierクラスの特徴分布をモデル化し、異常サンプルを制約する。 - 具体的なモデル化手法や制約方法の詳細は要旨からは不明。

4. どうやって有効だと検証した？

- 既存の実世界データセットと新たに導入した混合データセットで広範な実験を実施。 - 提案手法は既存の実世界データセットでstate-of-the-artを達成し、新混合データセットでも競争力のある結果を示した。 - これにより手法の有効性と提案データセットの有用性を検証。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究や関連手法：2D visionの後処理技術、既存の3D LiDAR anomaly segmentation手法、semantic segmentationベンチマーク。 - 具体的な論文名は要旨に記載されていないため、同分野の定番として3D LiDAR anomaly segmentationやout-of-distribution detectionの関連研究が挙げられる。

※ 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: Simone Mosco, Daniel Fusaro, Alberto Pretto

分類: cs.CV, cs.RO

原文アブストラクト

Understanding the surrounding environment is fundamental in autonomous driving and robotic perception. Distinguishing between known classes and previously unseen objects is crucial in real-world environments, as done in Anomaly Segmentation. However, research in the 3D field remains limited, with most existing approaches applying post-processing techniques from 2D vision. To cover this lack, we propose a new efficient approach that directly operates in the feature space, modeling the feature distribution of inlier classes to constrain anomalous samples. Moreover, the only publicly available 3D LiDAR anomaly segmentation dataset contains simple scenarios, with few anomaly instances, and exhibits a severe domain gap due to its sensor resolution. To bridge this gap, we introduce a set of mixed real-synthetic datasets for 3D LiDAR anomaly segmentation, built upon established semantic segmentation benchmarks, with multiple out-of-distribution objects and diverse, complex environments. Extensive experiments demonstrate that our approach achieves state-of-the-art and competitive results on the existing real-world dataset and the newly introduced mixed datasets, respectively, validating the effectiveness of our method and the utility of the proposed datasets. Code and datasets are available at https://simom0.github.io/lido-page/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧