論文の概要: HIO-SDF: Hierarchical Incremental Online Signed Distance Fields
- arxiv url: http://arxiv.org/abs/2310.09463v1
- Date: Sat, 14 Oct 2023 01:17:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 20:25:13.709806
- Title: HIO-SDF: Hierarchical Incremental Online Signed Distance Fields
- Title(参考訳): HIO-SDF:階層的インクリメンタルオンライン署名距離場
- Authors: Vasileios Vasilopoulos, Suveer Garg, Jinwook Huh, Bhoram Lee, Volkan
Isler
- Abstract要約: 環境をSDF(Signed Distance Field)として表現する新しい手法であるHIO-SDFを紹介する。
HIO-SDFは、すべてのテストシーンの平均的SDFエラーを、アート連続表現の状態よりも46%低くする。
- 参考スコア(独自算出の注目度): 26.263670265735858
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A good representation of a large, complex mobile robot workspace must be
space-efficient yet capable of encoding relevant geometric details. When
exploring unknown environments, it needs to be updatable incrementally in an
online fashion. We introduce HIO-SDF, a new method that represents the
environment as a Signed Distance Field (SDF). State of the art representations
of SDFs are based on either neural networks or voxel grids. Neural networks are
capable of representing the SDF continuously. However, they are hard to update
incrementally as neural networks tend to forget previously observed parts of
the environment unless an extensive sensor history is stored for training.
Voxel-based representations do not have this problem but they are not
space-efficient especially in large environments with fine details. HIO-SDF
combines the advantages of these representations using a hierarchical approach
which employs a coarse voxel grid that captures the observed parts of the
environment together with high-resolution local information to train a neural
network. HIO-SDF achieves a 46% lower mean global SDF error across all test
scenes than a state of the art continuous representation, and a 30% lower error
than a discrete representation at the same resolution as our coarse global SDF
grid.
- Abstract(参考訳): 巨大で複雑な移動ロボットの作業空間のよい表現は、空間効率が良いが、関連する幾何学的詳細を符号化できる必要がある。
未知の環境を探索する場合、オンライン形式で段階的に更新する必要がある。
本稿では,環境をSDF(Signed Distance Field)として表現する新しい手法であるHIO-SDFを紹介する。
sdfのアート表現の状態は、ニューラルネットワークまたはvoxelグリッドに基づいている。
ニューラルネットワークはSDFを継続的に表現することができる。
しかし、ニューラルネットワークは、トレーニングのために広範なセンサー履歴が保存されない限り、以前観測された環境の部分を忘れる傾向があるため、段階的な更新は難しい。
ボクセルに基づく表現はこの問題を持たないが、特に詳細な大きな環境では空間効率が良くない。
HIO-SDFは、ニューラルネットワークをトレーニングするための高解像度のローカル情報とともに、環境の観測部分をキャプチャする粗いボクセルグリッドを使用する階層的アプローチを用いて、これらの表現の利点を組み合わせる。
HIO-SDFは,全テストシーンの平均SDF誤差をアート連続表現の状態よりも46%低くし,粗大なSDFグリッドと同じ解像度で離散表現よりも30%低い誤差を達成している。
関連論文リスト
- SplatSDF: Boosting Neural Implicit SDF via Gaussian Splatting Fusion [13.013832790126541]
我々は,3DGSandSDF-NeRFをアーキテクチャレベルで融合させる「SplatSDF」と呼ばれる新しいニューラル暗黙的SDFを提案し,幾何的および光度精度と収束速度を大幅に向上させた。
提案手法は,提案時の幾何的および測光的評価において,最先端のSDF-NeRFモデルより優れる。
論文 参考訳(メタデータ) (2024-11-23T06:35:19Z) - NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction [63.85586195085141]
サイン付き距離関数 (SDF) を用いたボリュームレンダリングは, 表面再構成において有意な機能を示した。
ニューロディン(NeuRodin)は、新しい2段階の神経表面再構成フレームワークである。
NeuRodinは高忠実な表面再構成を実現し、密度ベース手法の柔軟な最適化特性を維持している。
論文 参考訳(メタデータ) (2024-08-19T17:36:35Z) - LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating [22.948360879064758]
ESDF (Euclidean Signed Distance Field) の暗黙の再構成では、任意の地点から最も近い障害物までの符号付き距離を回帰するためにニューラルネットワークを訓練する。
ローカル更新によるESDF連続グローバル学習アルゴリズムLGSDFを提案する。
複数の場面で得られた結果から,LGSDF は SOTA (State Of The Art) の明示的および暗黙的マッピングアルゴリズムと比較して,より正確な ESDF マップとメッシュを構築可能であることが示された。
論文 参考訳(メタデータ) (2024-04-08T04:27:36Z) - DDF-HO: Hand-Held Object Reconstruction via Conditional Directed
Distance Field [82.81337273685176]
DDF-HOは、DDF(Directed Distance Field)を形状表現として活用する新しいアプローチである。
我々はランダムに複数の光線をサンプリングし、新しい2D線に基づく特徴集約方式を導入することにより、局所的・大域的特徴を収集する。
合成および実世界のデータセットの実験は、DFF-HOが全てのベースライン手法を大きなマージンで一貫して上回っていることを示している。
論文 参考訳(メタデータ) (2023-08-16T09:06:32Z) - Learning a Room with the Occ-SDF Hybrid: Signed Distance Function
Mingled with Occupancy Aids Scene Representation [46.635542063913185]
符号付き距離関数表現と幾何学的先行表現を用いた暗黙的ニューラルレンダリングは、大規模シーンの表面再構成において顕著な進歩をもたらした。
我々は,原色レンダリング損失と先行組込みSDFシーン表現の限界を識別する実験を行った。
非ゼロな特徴値を用いて最適化信号を返却する特徴ベースの色レンダリング損失を提案する。
論文 参考訳(メタデータ) (2023-03-16T08:34:02Z) - Diffusion-SDF: Text-to-Shape via Voxelized Diffusion [90.85011923436593]
本研究では,テキスト・ツー・シェイプ合成の課題に対して,Diffusion-SDFと呼ばれる新しい3次元モデリングフレームワークを提案する。
本研究では,Diffusion-SDFが与えられたテキスト記述によく適合する高品質な3次元形状と,より多様化した3次元形状の両方を生成することを示す。
論文 参考訳(メタデータ) (2022-12-06T19:46:47Z) - 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 Geometric Level of Detail: Real-time Rendering with Implicit 3D
Shapes [77.6741486264257]
本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。
我々の表現は、以前の作品に比べてレンダリング速度の点で2~3桁の効率であることを示す。
論文 参考訳(メタデータ) (2021-01-26T18:50:22Z) - Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。
NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。
NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
論文 参考訳(メタデータ) (2020-10-26T22:49:45Z) - Deep Local Shapes: Learning Local SDF Priors for Detailed 3D
Reconstruction [19.003819911951297]
本稿では,メモリの制限なしに高品質な3次元形状の符号化と再構成が可能な深部形状表現であるDeep Local Shapes (DeepLS)を紹介する。
ニューラルネットワークと1つの潜伏符号を持つオブジェクトレベルのSDFを表すDeepSDFとは異なり、我々は独立した潜伏符号のグリッドを格納し、それぞれが小さな局所的に表面に関する情報を格納する。
このシーンを局所的な形状に分解することで、ネットワークが学習しなければならない事前分布を単純化し、効率的な推論を可能にする。
論文 参考訳(メタデータ) (2020-03-24T17:21:50Z)
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。