[論文レビュー] R$^3$D: Regional-guided Residual Radar Diffusion

Hao Li, Xinqi Liu+1 more|arXiv (Cornell University)|Jan 10, 2026

Advanced SAR Imaging Techniques被引用数 0

ひとこと要約

R3Dは残差拡散フレームワークを用い、シグマ適応型区域ガイダンスによりLiDAR–レーダ残差をモデリングし、関心領域に refinement を集中させることで追加訓練コストなしに mmWave レーダ点群を強化する

ABSTRACT

Millimeter-wave radar enables robust environment perception in autonomous systems under adverse conditions yet suffers from sparse, noisy point clouds with low angular resolution. Existing diffusion-based radar enhancement methods either incur high learning complexity by modeling full LiDAR distributions or fail to prioritize critical structures due to uniform regional processing. To address these issues, we propose R3D, a regional-guided residual radar diffusion framework that integrates residual diffusion modeling-focusing on the concentrated LiDAR-radar residual encoding complementary high-frequency details to reduce learning difficulty-and sigma-adaptive regional guidance-leveraging radar-specific signal properties to generate attention maps and applying lightweight guidance only in low-noise stages to avoid gradient imbalance while refining key regions. Extensive experiments on the ColoRadar dataset demonstrate that R3D outperforms state-of-the-art methods, providing a practical solution for radar perception enhancement. Our anonymous code and pretrained models are released here: https://anonymous.4open.science/r/r3d-F836

研究の動機と目的

• 過酷な条件下での認識を改善することにより、スパースでノイズの多い mmWave レーダ点群に対応する。
• LiDAR分布全体をモデリングするのではなく、LiDAR–レーダ残差をモデリングすることにより学習難易度を低減する。
• 低ノイズ時のディテール回復を優先するため、シグマ適応型区域ガイダンスを導入する。
• 事前学習なしでレーダー固有の信号特性を活用して注意マップを生成する。
• Colorado ColoRadar データセット上で最先端手法に対して優れた性能を示す。

提案手法

• LiDAR とレーダの間の残差分布 y − x をモデル化し、拡散モデルを訓練して p(r|x) を学習する。
• 指数ノイズスケジュールを用い、レーダ入力 x とノイズレベル t に条件付けて残差をデノイズする。
• 強い散乱領域を特定するために強度と局所一貫性からレーダ注意マップを構築する。
• Sinusoidal 時間埋め込みを用いた UNet デノイザーに AdaGN ベースの条件付けを組み込む。
• 低ノイズ段階で Karras 重みを変更してシグマ適応型区域ガイダンスを適用し、ターゲット領域を強調しつつ高ノイズ段階での安定性を維持する。
• 残差を反復的にデノイズしてレーダ入力と融合させて ŷ = x + r̂ を生成することで強化レーダを推定する。

実験結果

リサーチクエスチョン

• RQ1 LiDAR–レーダ残差をモデリングすることは、完全な LiDAR 分布をモデリングするよりも拡散ベースのレーダ強化を改善できるか？
• RQ2 シグマ適応型区域ガイダンスは訓練の不安定化や推論コストの増加なしに重要領域を効果的に優先できるか？
• RQ3 ColoRadar における R3D は、最先端のレーダー強化手法と比べて多様なシーンでどの程度の性能を示すのか？
• RQ4 推論時に事前学習済みのドメイン適応特徴や重いマスキング戦略なしで領域認識型ガイダンスを実現できるか？

主な発見

• 残差拡散（y − x の学習）は学習負荷を減らし、レーダからの直接 LiDAR 生成より性能を向上させる。
• シグマ適応型区域ガイダンスを用いる R3D は ColoRadar の複数指標で EDM を上回る（テキスト中に CD と HD の平均改善を報告）。
• 高強度および高一貫性のあるレーダ領域に焦点を当てた区域ガイダンスは、グローバル構造学習を損なうことなくディテール回復を向上させる。
• DINO ベースの条件付与と時刻依存マスキングはドメインミスマッチや不安定性を引き起こす可能性があり、論文の principled な区域ガイダンス設計を支持する。
• 強力なベースラインと比較して訓練や推論コストの追加は発生せず、より良い結果を達成している。