Fugu-MT 論文翻訳(概要): FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM

論文の概要: FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM

arxiv url: http://arxiv.org/abs/2306.00579v1
Date: Thu, 1 Jun 2023 11:51:46 GMT
ステータス: 処理完了
システム内更新日: 2023-06-02 16:32:45.969450
Title: FMapping: Factorized Efficient Neural Field Mapping for Real-Time Dense RGB SLAM
Title（参考訳）: FMapping:リアルタイム高密度RGB SLAMのための因子的ニューラルネットワークマッピング
Authors: Tongyan Hua, Haotian Bai, Zidong Cao, Lin Wang
Abstract要約: 本稿では,リアルタイム高密度RGB SLAMにおける色付き点クラウドマップの連続的推定を容易にする,効率的なニューラルネットワークマッピングフレームワークであるFMappingを紹介する。本稿では,シーン表現のための効果的な因子化手法を提案し,シーン再構成の不確実性を低減するためのスライディングウィンドウ戦略を提案する。
参考スコア（独自算出の注目度）: 3.6985351289638957
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce FMapping, an efficient neural field mapping framework that facilitates the continuous estimation of a colorized point cloud map in real-time dense RGB SLAM. To achieve this challenging goal without depth, a hurdle is how to improve efficiency and reduce the mapping uncertainty of the RGB SLAM system. To this end, we first build up a theoretical analysis by decomposing the SLAM system into tracking and mapping parts, and the mapping uncertainty is explicitly defined within the frame of neural representations. Based on the analysis, we then propose an effective factorization scheme for scene representation and introduce a sliding window strategy to reduce the uncertainty for scene reconstruction. Specifically, we leverage the factorized neural field to decompose uncertainty into a lower-dimensional space, which enhances robustness to noise and improves training efficiency. We then propose the sliding window sampler to reduce uncertainty by incorporating coherent geometric cues from observed frames during map initialization to enhance convergence. Our factorized neural mapping approach enjoys some advantages, such as low memory consumption, more efficient computation, and fast convergence during map initialization. Experiments on two benchmark datasets show that our method can update the map of high-fidelity colorized point clouds around 2 seconds in real time while requiring no customized CUDA kernels. Additionally, it utilizes x20 fewer parameters than the most concise neural implicit mapping of prior methods for SLAM, e.g., iMAP [ 31] and around x1000 fewer parameters than the state-of-the-art approach, e.g., NICE-SLAM [ 42]. For more details, please refer to our project homepage: https://vlis2022.github.io/fmap/.
Abstract（参考訳）: 本稿では,リアルタイム高密度rgbスラムにおけるカラー化点雲マップの連続推定を容易にする効率的なニューラルネットワークマッピングフレームワークであるfmappingを提案する。この挑戦的な目標を達成するためには,RGB SLAMシステムの効率向上とマッピングの不確実性を低減することが必要だ。この目的のために、まずSLAMシステムを追従部とマッピング部に分解して理論解析を構築し、マッピングの不確実性は神経表現のフレーム内で明示的に定義する。そこで本研究では,シーン表現に有効な因子化スキームを提案し,シーン再構成の不確実性を低減するためのスライディングウインドウ戦略を提案する。具体的には,因子化ニューラルフィールドを利用して不確かさを低次元空間に分解し,雑音に対するロバスト性を高め,トレーニング効率を向上させる。次に,マップ初期化中に観測されたフレームからコヒーレントな幾何学的手がかりを取り入れ,収束性を高めるスライディングウインドウサンプラーを提案する。我々の分解型ニューラルマッピングアプローチは、低メモリ消費、より効率的な計算、マップ初期化時の高速収束などの利点を享受しています。 2つのベンチマークデータセットを用いた実験により,CUDAカーネルをカスタマイズすることなく,高忠実度色付き点雲のマップを2秒程度リアルタイムで更新できることがわかった。さらに、iMAP[31]のようなSLAMの従来手法の最も簡潔な暗黙的マッピングよりもx20少ないパラメータ、そしてNICE-SLAM[42]のような最先端のアプローチよりも約x1000少ないパラメータを使用する。詳細はプロジェクトのホームページをご覧ください。 https://vlis2022.github.io/fmap/。

関連論文リスト

RGBD GS-ICP SLAM [1.3108652488669732]
一般化反復閉点(G-ICP)と3次元ガウススプラッティング(DGS)を融合した新しい密度表現SLAM手法を提案する。実験の結果,提案手法の有効性が示され,非常に高速な107 FPSが得られた。
論文参考訳（メタデータ） (2024-03-19T08:49:48Z)
High-Fidelity SLAM Using Gaussian Splatting with Rendering-Guided Densification and Regularized Optimization [8.845446246585215]
本稿では,3次元ガウススプラッティングに基づく高密度RGBD SLAMシステムを提案する。近年のニューラルかつ並列に開発されたガウススプラッティング RGBD SLAM ベースラインと比較して,本手法は合成データセット Replica の最先端結果と実世界のデータセット TUM の競合結果を得る。
論文参考訳（メタデータ） (2024-03-19T08:19:53Z)
Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文参考訳（メタデータ） (2024-01-06T12:32:25Z)
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)
GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文参考訳（メタデータ） (2023-11-20T12:08:23Z)
HI-SLAM: Monocular Real-time Dense Mapping with Hybrid Implicit Fields [11.627951040865568]
最近のニューラルマッピングフレームワークは有望な結果を示しているが、RGB-Dやポーズ入力に依存している。我々のアプローチは、高密度SLAMとニューラル暗黙の場を統合する。ニューラルネットワークの効率的な構築には,マルチレゾリューショングリッド符号化と符号付き距離関数を用いる。
論文参考訳（メタデータ） (2023-10-07T12:26:56Z)
MIPS-Fusion: Multi-Implicit-Submaps for Scalable and Robust Online Neural RGB-D Reconstruction [15.853932110058585]
本稿では,新しい暗黙表現-多目的サブマップに基づく,堅牢でスケーラブルなオンラインRGB-D再構成手法を提案する。本手法では,脳神経サブマップを走査軌道に沿って漸進的に配置し,局所的な神経束の調整によって効率よく学習する。初めてランダム化された最適化は、学習プロセスにいくつかの重要な設計を施したニューラルトラッキングにおいて可能となり、高速カメラモーションの下でも効率的でロバストなトラッキングを可能にする。
論文参考訳（メタデータ） (2023-08-17T02:33:16Z)
Point-SLAM: Dense Neural Point Cloud-based SLAM [61.96492935210654]
本稿では,モノクラーRGBD入力に対する高密度ニューラルネットワークの局所化とマッピング(SLAM)手法を提案する。トラッキングとマッピングの両方が、同じポイントベースのニューラルシーン表現で実行可能であることを実証する。
論文参考訳（メタデータ） (2023-04-09T16:48:26Z)
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)
Understanding Integrated Gradients with SmoothTaylor for Deep Neural Network Attribution [70.78655569298923]
ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。理解しやすさに影響を及ぼす説明のうるささに悩まされる。 SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
論文参考訳（メタデータ） (2020-04-22T10:43:19Z)

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。