論文の概要: Continual Neural Mapping: Learning An Implicit Scene Representation from Sequential Observations

• arxiv url: http://arxiv.org/abs/2108.05851v1
• Date: Thu, 12 Aug 2021 16:57:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 17:46:01.813767
• Title: Continual Neural Mapping: Learning An Implicit Scene Representation from Sequential Observations
• Title（参考訳）: 連続的ニューラルマッピング:連続観察から暗黙のシーン表現を学習する
• Authors: Zike Yan, Yuxin Tian, Xuesong Shi, Ping Guo, Peng Wang, Hongbin Zha
• Abstract要約: 逐次的な観察から暗黙的なシーン表現の連続的な学習に向けてさらに一歩進める。 一つのネットワークが、破滅的な忘れをせずに、時間とともに連続的にシーンの幾何学を表現できることを初めて示す。
• 参考スコア（独自算出の注目度）: 24.354073167898555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances have enabled a single neural network to serve as an implicit scene representation, establishing the mapping function between spatial coordinates and scene properties. In this paper, we make a further step towards continual learning of the implicit scene representation directly from sequential observations, namely Continual Neural Mapping. The proposed problem setting bridges the gap between batch-trained implicit neural representations and commonly used streaming data in robotics and vision communities. We introduce an experience replay approach to tackle an exemplary task of continual neural mapping: approximating a continuous signed distance function (SDF) from sequential depth images as a scene geometry representation. We show for the first time that a single network can represent scene geometry over time continually without catastrophic forgetting, while achieving promising trade-offs between accuracy and efficiency.
• Abstract（参考訳）: 近年の進歩により、単一のニューラルネットワークが暗黙のシーン表現として機能し、空間座標とシーン特性のマッピング機能を確立している。 本稿では,逐次的な観察,すなわち連続的ニューラルマッピングから暗黙的なシーン表現の連続的な学習に向けてさらに一歩進める。 提案した問題設定は、バッチトレーニングされた暗黙のニューラル表現と、ロボットやビジョンコミュニティで一般的に使用されるストリーミングデータとのギャップを埋めるものである。 本稿では,連続的距離関数(SDF)をシーン形状表現として逐次深度画像から近似する,連続的ニューラルマッピングの模範的課題に取り組むための経験的リプレイ手法を提案する。 我々は,1つのネットワークが時間をかけて連続的にシーンの幾何学を表現できることを示すとともに,その精度と効率のトレードオフが期待できることを示す。

関連論文リスト

• DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
  DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。 本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。 実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
  論文  参考訳（メタデータ） (2023-11-30T21:34:44Z)
• Temporal Embeddings: Scalable Self-Supervised Temporal Representation Learning from Spatiotemporal Data for Multimodal Computer Vision [1.4127889233510498]
  移動活動時系列に基づいて景観を階層化する新しい手法を提案する。 ピクセルワイズ埋め込みは、タスクベースのマルチモーダルモデリングに使用できるイメージライクなチャネルに変換される。
  論文  参考訳（メタデータ） (2023-10-16T02:53:29Z)
• Neural Groundplans: Persistent Neural Scene Representations from a Single Image [90.04272671464238]
  本稿では,シーンの2次元画像観察を永続的な3次元シーン表現にマッピングする手法を提案する。 本稿では,永続的でメモリ効率のよいシーン表現として,条件付きニューラルグラウンドプランを提案する。
  論文  参考訳（メタデータ） (2022-07-22T17:41:24Z)
• Spatio-Temporal Transformer for Dynamic Facial Expression Recognition in the Wild [19.5702895176141]
  本稿では,各フレームモデル内の異種特徴を抽出する手法を提案する。 我々はCNNを用いて各フレームを視覚的特徴系列に変換する。 実験の結果,本手法は空間的および時間的依存を効果的に活用できることが示された。
  論文  参考訳（メタデータ） (2022-05-10T08:47:15Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Neural Adaptive SCEne Tracing [24.781844909539686]
  NAScenTは,ハイブリッド・明示的ニューラル表現を直接訓練した最初のニューラルレンダリング手法である。 NAScenTは、UAVが捕獲した屋外環境のような、大きくて人口の少ないボリュームを含む、困難なシーンを再構築することができる。
  論文  参考訳（メタデータ） (2022-02-28T10:27:23Z)
• NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping [29.3378360000956]
  本稿では,ニューラル暗黙表現の最近の進歩を活かした新しい3次元マッピング手法を提案する。 ニューラルな暗黙表現をインクリメンタルに構築し、更新するための融合戦略とトレーニングパイプラインを提案する。 インクリメンタルに構築された占有マップは,CPU上でもリアルタイムに取得可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-18T15:45:05Z)
• D-NeRF: Neural Radiance Fields for Dynamic Scenes [72.75686949608624]
  そこで我々は,D-NeRF(D-NeRF)を動的領域に拡張する手法を提案する。 D-NeRFは、周囲を動き回るカメラから、剛体で非剛体な動きの下で物体のイメージを再構成する。 我々は,剛体・調音・非剛体動作下での物体のシーンに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-11-27T19:06:50Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。