論文の概要: Learning Scene-Level Signed Directional Distance Function with Ellipsoidal Priors and Neural Residuals
- arxiv url: http://arxiv.org/abs/2503.20066v1
- Date: Tue, 25 Mar 2025 21:01:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:20:03.480159
- Title: Learning Scene-Level Signed Directional Distance Function with Ellipsoidal Priors and Neural Residuals
- Title(参考訳): 楕円体先行とニューラル残差を用いたシーンレベル符号方向距離関数の学習
- Authors: Zhirui Dai, Hojoon Shin, Yulun Tian, Ki Myung Brian Lee, Nikolay Atanasov,
- Abstract要約: 最近の研究は、ニューラルネットワークを用いて学習した占有率、符号付き距離、放射率の暗黙的な連続表現が、再構成の忠実性、効率、微分可能性に利点をもたらすことを示している。
本研究では,符号付き距離関数(SDDF)と呼ばれる符号付き距離の方向定式化について検討する。
SDDFは、再現精度とレンダリング効率の観点から、最先端のニューラル暗黙のシーンモデルと競合することを示す。
- 参考スコア(独自算出の注目度): 17.51160139116379
- License:
- Abstract: Dense geometric environment representations are critical for autonomous mobile robot navigation and exploration. Recent work shows that implicit continuous representations of occupancy, signed distance, or radiance learned using neural networks offer advantages in reconstruction fidelity, efficiency, and differentiability over explicit discrete representations based on meshes, point clouds, and voxels. In this work, we explore a directional formulation of signed distance, called signed directional distance function (SDDF). Unlike signed distance function (SDF) and similar to neural radiance fields (NeRF), SDDF has a position and viewing direction as input. Like SDF and unlike NeRF, SDDF directly provides distance to the observed surface along the direction, rather than integrating along the view ray, allowing efficient view synthesis. To learn and predict scene-level SDDF efficiently, we develop a differentiable hybrid representation that combines explicit ellipsoid priors and implicit neural residuals. This approach allows the model to effectively handle large distance discontinuities around obstacle boundaries while preserving the ability for dense high-fidelity prediction. We show that SDDF is competitive with the state-of-the-art neural implicit scene models in terms of reconstruction accuracy and rendering efficiency, while allowing differentiable view prediction for robot trajectory optimization.
- Abstract(参考訳): 複雑な幾何学的環境表現は、自律移動ロボットのナビゲーションと探索に不可欠である。
最近の研究は、ニューラルネットワークを用いて学習した占有率、符号付き距離、放射率の暗黙的な連続表現は、メッシュ、点雲、ボクセルに基づく明示的な離散表現よりも、再構成の忠実さ、効率、微分可能性に利点があることを示している。
本研究では,符号付き距離関数(SDDF)と呼ばれる符号付き距離の方向定式化について検討する。
符号距離関数(SDF)やニューラル放射場(NeRF)と異なり、SDDFは位置と視方向を入力として持つ。
SDFやNeRFとは異なり、SDDFはビュー線に沿って統合するのではなく、観測面と方向に沿っての距離を直接提供し、効率的なビュー合成を可能にしている。
シーンレベルのSDDFを効率よく学習し,予測するために,明示的なエリプシド先行と暗黙のニューラル残差を組み合わせた,識別可能なハイブリッド表現を開発した。
このアプローチにより,高忠実度予測能力を維持しつつ,障害物境界付近の大域的不連続性を効果的に扱える。
SDDFは,ロボット軌道最適化のための視覚予測を可能とし,再現精度とレンダリング効率の観点から,最先端のニューラル暗示シーンモデルと競合することを示す。
関連論文リスト
- Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。
本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。
ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
論文 参考訳(メタデータ) (2024-04-03T14:05:39Z) - DUDF: Differentiable Unsigned Distance Fields with Hyperbolic Scaling [0.20287200280084108]
我々は符号のない距離場の双曲的スケーリングを学習し、異なる境界条件を持つ新しいアイコン問題を定義する。
提案手法は,オープンサーフェス表現の課題に対処するだけでなく,再構築品質とトレーニング性能の大幅な向上を示す。
論文 参考訳(メタデータ) (2024-02-14T00:42:19Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Efficient Parametric Approximations of Neural Network Function Space
Distance [6.117371161379209]
モデルパラメータとトレーニングデータの重要な特性をコンパクトに要約して、データセット全体を保存または/または反復することなく後で使用できるようにすることが、しばしば有用である。
我々は,FSD(Function Space Distance)をトレーニングセット上で推定することを検討する。
本稿では、線形化活性化TRick (LAFTR) を提案し、ReLUニューラルネットワークに対するFSDの効率的な近似を導出する。
論文 参考訳(メタデータ) (2023-02-07T15:09:23Z) - 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) - A Deep Signed Directional Distance Function for Object Shape
Representation [12.741811850885309]
本稿では,連続符号付き方向距離関数(SDDF)を最適化することにより,新しい距離ビューを可能にする新しい形状モデルを提案する。
任意の方向に最も近い表面までの距離を測定するSDFとは異なり、SDDFは所定の方向に距離を測定する。
本モデルは,SDDF値が視方向に沿って直線的に減少する特性を構成によって符号化する。
論文 参考訳(メタデータ) (2021-07-23T04:11:59Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳(メタデータ) (2021-03-06T09:10:03Z) - 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) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z)
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。