LiDAR の開いた環境外検知のためのニューラル分布先合

arXiv:2604.09232v2 Announce Type: replace 要約: LiDAR に基づく感知は、暗い照明や悪天候などの状況に対する堅牢性により、自動運転において不可欠です。しかし、現在のモデルはクローズド・セットの仮定に基づいて動作しており、開いた世界における予期しない分布外（OOD）オブジェクトを検知することができません。既存のOOD スコア計算関数は、LiDAR のOOD 検知に固有の顕著なクラス不均衡を無視し、クラス分布を均匀的であると仮定しているため、性能が限られています。この課題に対処するために、私たちはネットワーク予測の分布構造をモデル化し、学習された分布先合との一致に基づいて OOD スコアを適応的に再重み付けする「ニューラル分布先合（NDP）」フレームワークを提案しました。NDP はトレーニングデータのロジット分布パターンを動的に捉え、アテンションベースのモジュールを通じてクラス依存の確率バイアスを修正します。さらに、私たちは入力スキャンから多様な補助的 OOD サンプルを生成するペルリンノイズベースの OOD 合成戦略を導入し、外部データセットなしで頑健な OOD トレーニングを可能にします。SemanticKITTI と STU ベンチマークにおける広範な実験により、NDP は OOD 検知性能を大幅に向上させ、STU テストセットにおいてポイントレベルの AP を 61.31% に到達しました。これはこれまでの最善結果よりも 10 倍以上の向上を示しています。私たちのフレームワークは既存の多数の OOD スコア定式と互換性があり、開いた世界の LiDAR 感知における有効なソリューションを提供します。

arXiv:2604.09232v2 Announce Type: replace Abstract: LiDAR-based perception is critical for autonomous driving due to its robustness to poor lighting and visibility conditions. Yet, current models operate under the closed-set assumption and often fail to recognize unexpected out-of-distribution (OOD) objects in the open world. Existing OOD scoring functions exhibit limited performance because they ignore the pronounced class imbalance inherent in LiDAR OOD detection and assume a uniform class distribution. To address this limitation, we propose the Neural Distribution Prior (NDP), a framework that models the distributional structure of network predictions and adaptively reweights OOD scores based on alignment with a learned distribution prior. NDP dynamically captures the logit distribution patterns of training data and corrects class-dependent confidence bias through an attention-based module. We further introduce a Perlin noise-based OOD synthesis strategy that generates diverse auxiliary OOD samples from input scans, enabling robust OOD training without external datasets. Extensive experiments on the SemanticKITTI and STU benchmarks demonstrate that NDP substantially improves OOD detection performance, achieving a point-level AP of 61.31% on the STU test set, which is more than 10$\times$ higher than the previous best result. Our framework is compatible with various existing OOD scoring formulations, providing an effective solution for open-world LiDAR perception.