論文の概要: Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping
- arxiv url: http://arxiv.org/abs/2407.15554v1
- Date: Mon, 22 Jul 2024 11:32:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 15:11:26.824198
- Title: Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping
- Title（参考訳）: 大規模3次元マッピングのためのニューラル離散表現の分解
- Authors: Minseong Park, Suhan Woo, Euntai Kim,
- Abstract要約: 分解型ニューラルマッピング(DNMap)について紹介する。
DNMapはストレージ効率のよい大規模3Dマッピング手法である。
我々は、小さなストレージ空間を必要とする低解像度の連続的な埋め込みを学習する。
- 参考スコア（独自算出の注目度）: 15.085191496726967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning efficient representations of local features is a key challenge in feature volume-based 3D neural mapping, especially in large-scale environments. In this paper, we introduce Decomposition-based Neural Mapping (DNMap), a storage-efficient large-scale 3D mapping method that employs a discrete representation based on a decomposition strategy. This decomposition strategy aims to efficiently capture repetitive and representative patterns of shapes by decomposing each discrete embedding into component vectors that are shared across the embedding space. Our DNMap optimizes a set of component vectors, rather than entire discrete embeddings, and learns composition rather than indexing the discrete embeddings. Furthermore, to complement the mapping quality, we additionally learn low-resolution continuous embeddings that require tiny storage space. By combining these representations with a shallow neural network and an efficient octree-based feature volume, our DNMap successfully approximates signed distance functions and compresses the feature volume while preserving mapping quality. Our source code is available at https://github.com/minseong-p/dnmap.
- Abstract（参考訳）: 局所的な特徴の効率的な表現を学習することは、特に大規模環境で、特徴量に基づく3Dニューラルマッピングにおいて重要な課題である。
本稿では,分解戦略に基づく離散表現を用いたストレージ効率の高い大規模3次元マッピング手法である分解型ニューラルマッピング(DNMap)を提案する。
この分解戦略は、各離散的な埋め込みを、埋め込み空間全体で共有されるコンポーネントベクトルに分解することで、繰り返しおよび代表的な形状パターンを効率的に捕捉することを目的としている。
我々のDNMapは、離散埋め込み全体ではなく、コンポーネントベクトルの集合を最適化し、離散埋め込みをインデックス化するのではなく、合成を学ぶ。
さらに、マッピングの品質を補完するために、小さなストレージ空間を必要とする低解像度の連続埋め込みを学習する。
これらの表現を浅いニューラルネットワークと効率的なオクツリーベースの特徴量と組み合わせることで、DNMapは符号付き距離関数をうまく近似し、マッピング品質を維持しながら特徴量を圧縮する。
ソースコードはhttps://github.com/minseong-p/dnmapで公開しています。
関連論文リスト
- OG-Mapping: Octree-based Structured 3D Gaussians for Online Dense Mapping [19.176488228253483]
3DGSは最近、RGB-Dオンライン高密度マッピングの有望な進歩を実証した。
既存の手法では、マップのデシフィケーションを行うためにピクセルごとの奥行きを過度に頼っている。
スパースオクツリーの頑丈なシーン構造表現機能を活用したOG-Mappingを提案する。
論文 参考訳（メタデータ） (2024-08-30T12:01:59Z) - Representing 3D sparse map points and lines for camera relocalization [1.2974519529978974]
軽量ニューラルネットワークが3Dポイントとラインの両方の特徴を表現するためにどのように学習できるかを示す。
テストにおいて,本手法は,最先端の学習手法に対する最も顕著な向上を図っている。
論文 参考訳（メタデータ） (2024-02-28T03:07:05Z) - SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and
Quasi-Planar Segmentation [53.83313235792596]
本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。
2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。
本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
論文 参考訳（メタデータ） (2023-06-28T22:36:44Z) - 3D Small Object Detection with Dynamic Spatial Pruning [62.72638845817799]
本稿では,3次元小物体検出のための効率的な特徴解析手法を提案する。
空間分解能の高いDSPDet3Dというマルチレベル3次元検出器を提案する。
ほぼ全ての物体を検知しながら、4500k以上のポイントからなる建物全体を直接処理するには2秒もかからない。
論文 参考訳（メタデータ） (2023-05-05T17:57:04Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - 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) - HVPR: Hybrid Voxel-Point Representation for Single-stage 3D Object
Detection [39.64891219500416]
3Dオブジェクト検出手法は、シーン内の3Dオブジェクトを表現するために、ボクセルベースまたはポイントベースの特徴を利用する。
本稿では,voxelベースとポイントベースの両方の特徴を有する,新しい単段3次元検出手法を提案する。
論文 参考訳（メタデータ） (2021-04-02T06:34:49Z) - 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) - DenserNet: Weakly Supervised Visual Localization Using Multi-scale
Feature Aggregation [7.2531609092488445]
画像表現の異なる意味レベルで特徴マップを集約する畳み込みニューラルネットワークアーキテクチャを開発する。
第二に、我々のモデルは、正および負のGPSタグ付き画像対以外の画素レベルのアノテーションなしで、エンドツーエンドで訓練されている。
第3に、アーキテクチャが計算中に特徴やパラメータを共有しているため、計算効率がよい。
論文 参考訳（メタデータ） (2020-12-04T02:16:47Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳（メタデータ） (2020-04-21T13:40:03Z) - 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。