論文の概要: NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping

• arxiv url: http://arxiv.org/abs/2110.09415v1
• Date: Mon, 18 Oct 2021 15:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 20:10:25.884542
• Title: NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping
• Title（参考訳）: NeuralBlox:ロバストボリュームマッピングのためのリアルタイム神経表現融合
• Authors: Stefan Lionar, Lukas Schmid, Cesar Cadena, Roland Siegwart, Andrei Cramariuc
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.3378360000956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel 3D mapping method leveraging the recent progress in neural implicit representation for 3D reconstruction. Most existing state-of-the-art neural implicit representation methods are limited to object-level reconstructions and can not incrementally perform updates given new data. In this work, we propose a fusion strategy and training pipeline to incrementally build and update neural implicit representations that enable the reconstruction of large scenes from sequential partial observations. By representing an arbitrarily sized scene as a grid of latent codes and performing updates directly in latent space, we show that incrementally built occupancy maps can be obtained in real-time even on a CPU. Compared to traditional approaches such as Truncated Signed Distance Fields (TSDFs), our map representation is significantly more robust in yielding a better scene completeness given noisy inputs. We demonstrate the performance of our approach in thorough experimental validation on real-world datasets with varying degrees of added pose noise.
• Abstract（参考訳）: 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。 既存の最先端のニューラル暗示表現法は、オブジェクトレベルの再構成に限られており、新しいデータに対して漸進的に更新を行うことはできない。 本研究では,逐次的な部分的観測から大きなシーンの再構築を可能にする神経暗黙的表現を漸進的に構築し,更新するための融合戦略と訓練パイプラインを提案する。 任意の大きさのシーンを遅延符号のグリッドとして表現し、遅延空間で直接更新を行うことにより、CPU上でもインクリメンタルに構築された占有マップをリアルタイムで得ることを示す。 tsdfs(truncated signed distance fields)のような従来のアプローチと比較して、我々のマップ表現はノイズの多い入力に対してより優れたシーン完全性をもたらすのにかなり頑丈です。 提案手法の性能を実世界のデータセットで実験的に検証し,追加ポーズノイズの程度を検証した。

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)
• Neural Kernel Surface Reconstruction [80.51581494300423]
  本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。 我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
  論文  参考訳（メタデータ） (2023-05-31T06:25:18Z)
• Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
  本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。 我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。 実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T16:50:19Z)
• Neural Poisson: Indicator Functions for Neural Fields [25.41908065938424]
  3次元形状の符号付き距離場表現(SDF)は顕著な進展を示した。 本稿では,3次元シーンのニューラルフィールド表現のための新しいパラダイムを提案する。 提案手法は, 合成3次元シーンデータと実写3次元シーンデータの両方に対して, 最先端の再構築性能を示す。
  論文  参考訳（メタデータ） (2022-11-25T17:28:22Z)
• Sphere-Guided Training of Neural Implicit Surfaces [14.882607960908217]
  3次元再構成では、光線マーチングにより訓練された神経距離関数が多視点3次元再構成に広く採用されている。 しかし、これらの手法はシーン全体に対してレイマーチング法を適用し、サンプリング効率を低下させる。 暗黙の関数と新しい粗い球面をベースとした表面再構成を共同で行うことでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-30T15:00:03Z)
• BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
  ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2022-04-03T19:33:09Z)
• SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion [86.77318031029404]
  本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。 我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
  論文  参考訳（メタデータ） (2020-10-26T15:31:52Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。