論文の概要: An Algorithm for the SE(3)-Transformation on Neural Implicit Maps for Remapping Functions

• arxiv url: http://arxiv.org/abs/2206.08712v1
• Date: Fri, 17 Jun 2022 12:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 21:42:41.698370
• Title: An Algorithm for the SE(3)-Transformation on Neural Implicit Maps for Remapping Functions
• Title（参考訳）: 神経陰影写像上のse(3)変換による再マッピング関数のアルゴリズム
• Authors: Yijun Yuan, Andreas Nuechter
• Abstract要約: 漸進的再構成のためにニューラル暗黙マップと呼ばれる新しい構造が発明された。 ニューラルな暗黙の写像は、リマッピングをサポートしない限界に悩まされる。 このギャップを埋めるために,ニューラル暗黙マップに基づく変換アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.76146285961466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit representations are widely used for object reconstruction due to their efficiency and flexibility. In 2021, a novel structure named neural implicit map has been invented for incremental reconstruction. A neural implicit map alleviates the problem of inefficient memory cost of previous online 3D dense reconstruction while producing better quality. % However, the neural implicit map suffers the limitation that it does not support remapping as the frames of scans are encoded into a deep prior after generating the neural implicit map. This means, that neither this generation process is invertible, nor a deep prior is transformable. The non-remappable property makes it not possible to apply loop-closure techniques. % We present a neural implicit map based transformation algorithm to fill this gap. As our neural implicit map is transformable, our model supports remapping for this special map of latent features. % Experiments show that our remapping module is capable to well-transform neural implicit maps to new poses. Embedded into a SLAM framework, our mapping model is able to tackle the remapping of loop closures and demonstrates high-quality surface reconstruction. % Our implementation is available at github\footnote{\url{https://github.com/Jarrome/IMT_Mapping}} for the research community.
• Abstract（参考訳）: 命令表現は、その効率性と柔軟性のためにオブジェクト再構成に広く使われている。 2021年、神経暗黙マップと呼ばれる新しい構造が漸進的な再構成のために発明された。 ニューラル暗黙マップは、以前のオンライン3D高密度再構成の非効率なメモリコストの問題を軽減すると同時に、より良い品質を生み出す。 しかし、ニューラル暗黙マップは、ニューラル暗示マップを生成した後、スキャンのフレームが深部にエンコードされるため、リマッピングをサポートしないという制限を被っている。 つまり、この生成プロセスは逆転可能でも、より深い事前は変換不可能である。 非remappableプロパティはループクロージャテクニックを適用できない。 このギャップを埋めるために,ニューラル暗黙マップに基づく変換アルゴリズムを提案する。 我々のニューラル暗黙マップは変換可能であるので、我々のモデルは潜伏した特徴のこの特別なマップのリマッピングをサポートする。 %実験の結果、リマッピングモジュールはニューラルな暗黙の地図を新しいポーズに十分に変換できることがわかった。 SLAMフレームワークに組み込んだマッピングモデルにより,ループ閉鎖のリマッピングに対処し,高品質な表面再構成を実現する。 この実装は、研究コミュニティ向けのgithub\footnote{\url{https://github.com/Jarrome/IMT_Mapping}}で利用可能です。

関連論文リスト

• General Neural Gauge Fields [100.35916421218101]
  我々はゲージ変換とニューラルネットワークを協調的に最適化する学習フレームワークを開発した。 我々は、シーン情報を本質的に保存し、優れた性能を得ることができる情報不変ゲージ変換を導出する。
  論文  参考訳（メタデータ） (2023-05-05T12:08:57Z)
• Subject-specific quantitative susceptibility mapping using patch based deep image priors [13.734472448148333]
  そこで本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案し,その感受性マップを推定する。 我々は、深層畳み込みニューラルネットワークを用いて、地図のパッチにまたがる冗長性を利用して、問題をうまく解決する。 このアルゴリズムを3次元インビジョデータセットで検証し、競合する手法よりも改良された再構成を実証した。
  論文  参考訳（メタデータ） (2022-10-10T02:28:53Z)
• SHINE-Mapping: Large-Scale 3D Mapping Using Sparse Hierarchical Implicit Neural Representations [37.733802382489515]
  本稿では, 3次元LiDAR計測を用いて, 暗示表現を用いた大規模3次元再構成を実現する際の課題について述べる。 我々はオクツリーに基づく階層構造を通じて暗黙的な特徴を学習し、保存する。 我々の3D再構成は、現在の最先端3Dマッピング法よりも正確で、完全で、メモリ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-10-05T14:38:49Z)
• NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
  暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。 本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。 本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
  論文  参考訳（メタデータ） (2022-07-22T10:05:36Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• PERF: Performant, Explicit Radiance Fields [1.933681537640272]
  放射場に基づく画像に基づく3次元再構成手法を提案する。 体積再構成の問題は非線形最小二乗問題として定式化され、ニューラルネットワークを使わずに明示的に解かれる。
  論文  参考訳（メタデータ） (2021-12-10T15:29:00Z)
• 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)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。