論文の概要: ASH: A Modern Framework for Parallel Spatial Hashing in 3D Perception
- arxiv url: http://arxiv.org/abs/2110.00511v1
- Date: Fri, 1 Oct 2021 16:25:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-04 18:01:40.081051
- Title: ASH: A Modern Framework for Parallel Spatial Hashing in 3D Perception
- Title（参考訳）: ash: 3次元知覚における並列空間ハッシュの現代的枠組み
- Authors: Wei Dong, Yixing Lao, Michael Kaess, Vladlen Koltun
- Abstract要約: ASHは、GPU上の並列空間ハッシュのためのモダンで高性能なフレームワークである。
ASHはより高いパフォーマンスを実現し、よりリッチな機能をサポートし、より少ないコード行を必要とする。
ASHとそのサンプルアプリケーションはOpen3Dでオープンソース化されている。
- 参考スコア（独自算出の注目度）: 91.24236600199542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ASH, a modern and high-performance framework for parallel spatial
hashing on GPU. Compared to existing GPU hash map implementations, ASH achieves
higher performance, supports richer functionality, and requires fewer lines of
code (LoC) when used for implementing spatially varying operations from
volumetric geometry reconstruction to differentiable appearance reconstruction.
Unlike existing GPU hash maps, the ASH framework provides a versatile tensor
interface, hiding low-level details from the users. In addition, by decoupling
the internal hashing data structures and key-value data in buffers, we offer
direct access to spatially varying data via indices, enabling seamless
integration to modern libraries such as PyTorch. To achieve this, we 1) detach
stored key-value data from the low-level hash map implementation; 2) bridge the
pointer-first low level data structures to index-first high-level tensor
interfaces via an index heap; 3) adapt both generic and non-generic
integer-only hash map implementations as backends to operate on
multi-dimensional keys. We first profile our hash map against state-of-the-art
hash maps on synthetic data to show the performance gain from this
architecture. We then show that ASH can consistently achieve higher performance
on various large-scale 3D perception tasks with fewer LoC by showcasing several
applications, including 1) point cloud voxelization, 2) dense volumetric SLAM,
3) non-rigid point cloud registration and volumetric deformation, and 4)
spatially varying geometry and appearance refinement. ASH and its example
applications are open sourced in Open3D (http://www.open3d.org).
- Abstract（参考訳）: ASHは,GPU上の並列空間ハッシュのための,現代的で高性能なフレームワークである。
既存のGPUハッシュマップ実装と比較して、ASHは高いパフォーマンスを実現し、よりリッチな機能をサポートし、ボリューム幾何学的再構成から差別化可能な外観再構成に至るまで、空間的に変化する操作を実装する際に、コード行数(LoC)を少なくする。
既存のGPUハッシュマップとは異なり、ASHフレームワークは多様なテンソルインターフェースを提供し、ユーザから低レベルの詳細を隠蔽する。
さらに、内部ハッシュデータ構造とキー値データをバッファに分離することにより、インデックスを介して空間的に変化するデータに直接アクセスし、PyTorchのような現代的なライブラリへのシームレスな統合を可能にする。
これを達成するために
1) 低レベルハッシュマップの実装から格納されたキー値データ。
2) ポインタファーストの低レベルデータ構造をインデックスヒープを介してインデックスファーストの高レベルテンソルインターフェースにブリッジする。
3) 汎用的および非汎用的な整数専用ハッシュマップの実装をバックエンドとして適用し、多次元キーで操作する。
最初にハッシュマップを合成データ上の最先端のハッシュマップと照合して、このアーキテクチャによるパフォーマンス向上を示す。
次に,様々な大規模3次元知覚タスクにおいて,複数の応用例を示し,より少ないlocで一貫して高い性能が得られることを示す。
1)点雲ボクセル化
2)密集体積スラム
3)非剛性点雲の登録と体積変形
4)空間的な形状変化と外観改善。
ASHとそのサンプルアプリケーションはOpen3D (http://www.open3d.org)でオープンソース化されている。
関連論文リスト
- GenMapping: Unleashing the Potential of Inverse Perspective Mapping for Robust Online HD Map Construction [20.1127163541618]
我々はGenMappingというユニバーサルマップ生成フレームワークを設計した。
このフレームワークは、主および二重補助枝を含む三進的なシナジーアーキテクチャで構築されている。
実験結果の網羅的な配列から,提案手法はセマンティックマッピングとベクトル化マッピングの両方において最先端の手法を超越し,高速な推論速度を維持した。
論文 参考訳（メタデータ） (2024-09-13T10:15:28Z) - PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳（メタデータ） (2024-07-19T06:29:57Z) - fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [50.417261057533786]
fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。
私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
論文 参考訳（メタデータ） (2024-07-01T20:20:33Z) - Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。
本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。
Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
論文 参考訳（メタデータ） (2024-05-26T12:26:54Z) - Representing 3D sparse map points and lines for camera relocalization [1.2974519529978974]
軽量ニューラルネットワークが3Dポイントとラインの両方の特徴を表現するためにどのように学習できるかを示す。
テストにおいて,本手法は,最先端の学習手法に対する最も顕著な向上を図っている。
論文 参考訳（メタデータ） (2024-02-28T03:07:05Z) - Minuet: Accelerating 3D Sparse Convolutions on GPUs [9.54287796030519]
スパース・コンボリューション(SC)は、本質的にスパースである3Dポイント・クラウドの処理に広く用いられている。
本研究では,従来の最先端のSCエンジンの欠点を分析し,最新のGPUに適した新しいメモリ効率のSCエンジンであるMinuetを提案する。
私たちの評価では、エンド・ツー・エンドのクラウド・ネットワークの実行に対して平均1.74時間(最大22.22時間)で、Minuetは以前のSCエンジンよりも大幅にパフォーマンスが向上している。
論文 参考訳（メタデータ） (2023-12-01T05:09:02Z) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳（メタデータ） (2023-06-28T22:36:44Z) - MobRecon: Mobile-Friendly Hand Mesh Reconstruction from Monocular Image [18.68544438724187]
本研究では,高速な推論速度,時間的コヒーレンスを同時に実現可能な単一視点ハンドメッシュ再構築フレームワークを提案する。
私たちのフレームワークであるMobReconは、安価な計算コストとミニチュアモデルサイズを備えており、Apple A14 CPU上で83FPSの高速な推論速度を実現しています。
論文 参考訳（メタデータ） (2021-12-06T03:01:24Z) - SparsePipe: Parallel Deep Learning for 3D Point Clouds [7.181267620981419]
SparsePipeは、ポイントクラウドなどの3Dスパースデータをサポートする。
入力データを複数のプロセッサに分割するバッチ内並列処理を利用する。
我々は、SparsePipeが効果的に並列化でき、現在のクラウドベンチマークでより良いパフォーマンスを得ることができることを示す。
論文 参考訳（メタデータ） (2020-12-27T01:47:09Z) - Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency
Checking [54.58791377183574]
1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。
R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
論文 参考訳（メタデータ） (2020-07-21T14:59:59Z)
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。