論文の概要: LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating

• arxiv url: http://arxiv.org/abs/2404.05187v1
• Date: Mon, 8 Apr 2024 04:27:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 15:33:28.636485
• Title: LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating
• Title（参考訳）: LGSDF:地域更新支援によるサイン付き距離場の継続的なグローバルラーニング
• Authors: Yufeng Yue, Yinan Deng, Jiahui Wang, Yi Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.948360879064758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit reconstruction of ESDF (Euclidean Signed Distance Field) involves training a neural network to regress the signed distance from any point to the nearest obstacle, which has the advantages of lightweight storage and continuous querying. However, existing algorithms usually rely on conflicting raw observations as training data, resulting in poor map performance. In this paper, we propose LGSDF, an ESDF continual Global learning algorithm aided by Local updating. At the front end, axis-aligned grids are dynamically updated by pre-processed sensor observations, where incremental fusion alleviates estimation error caused by limited viewing directions. At the back end, a randomly initialized implicit ESDF neural network performs continual self-supervised learning guided by these grids to generate smooth and continuous maps. The results on multiple scenes show that LGSDF can construct more accurate ESDF maps and meshes compared with SOTA (State Of The Art) explicit and implicit mapping algorithms. The source code of LGSDF is publicly available at https://github.com/BIT-DYN/LGSDF.
• Abstract（参考訳）: ESDF (Euclidean Signed Distance Field) の暗黙的な再構成では、任意の地点から最も近い障害物まで、署名された距離を回帰するためにニューラルネットワークをトレーニングする。 しかし、既存のアルゴリズムは通常、トレーニングデータとして生の観測と矛盾し、結果としてマップのパフォーマンスが低下する。 本稿では,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。 フロントエンドでは、軸整列格子を事前処理されたセンサ観測によって動的に更新し、インクリメンタルフュージョンにより、限られた視方向による推定誤差が軽減される。 バックエンドでは、ランダムに初期化された暗黙のESDFニューラルネットワークが、これらのグリッドによって導かれる連続的な自己教師付き学習を実行し、滑らかで連続的なマップを生成する。 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。 LGSDFのソースコードはhttps://github.com/BIT-DYN/LGSDFで公開されている。

関連論文リスト

• HIO-SDF: Hierarchical Incremental Online Signed Distance Fields [26.263670265735858]
  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する能力は必要である。 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。
  論文  参考訳（メタデータ） (2023-10-14T01:17:56Z)
• 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)
• 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)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• 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)
• Improved Signed Distance Function for 2D Real-time SLAM and Accurate Localization [12.443507219951092]
  マッピングとローカリゼーションの精度を向上させるため、2D SLAMと純粋なローカリゼーションの両方のための改良された署名距離関数(SDF)を提案します。 実験の結果, 統合sdfマップにより, 地図内で数ミリ (5mm) の局所化精度がグローバルに達成できることがわかった。
  論文  参考訳（メタデータ） (2021-01-20T08:28:19Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)

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。