論文の概要: BayesFusion-SDF: Probabilistic Signed Distance Fusion with View Planning on CPU

• arxiv url: http://arxiv.org/abs/2602.19697v1
• Date: Mon, 23 Feb 2026 10:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.772602
• Title: BayesFusion-SDF: Probabilistic Signed Distance Fusion with View Planning on CPU
• Title（参考訳）: BayesFusion-SDF:CPU上でのビュープランニングによる確率的符号付き距離融合
• Authors: Soumya Mazumdar, Vineet Kumar Rakesh, Tapas Samanta,
• Abstract要約: ロボット工学、拡張現実、デジタル検査の鍵となる部分は、深度観測による密集した3D再構成である。 truncated signed distance function (TSDF)を含む従来の体積融合技術は、効率的で決定論的な幾何学的再構成を可能にする。 BayesFusion-SDF は、ボクセル距離上で定義された後部分布を持つスパースガウス確率場として幾何学を概念化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Key part of robotics, augmented reality, and digital inspection is dense 3D reconstruction from depth observations. Traditional volumetric fusion techniques, including truncated signed distance functions (TSDF), enable efficient and deterministic geometry reconstruction; however, they depend on heuristic weighting and fail to transparently convey uncertainty in a systematic way. Recent neural implicit methods, on the other hand, get very high fidelity but usually need a lot of GPU power for optimization and aren't very easy to understand for making decisions later on. This work presents BayesFusion-SDF, a CPU-centric probabilistic signed distance fusion framework that conceptualizes geometry as a sparse Gaussian random field with a defined posterior distribution over voxel distances. First, a rough TSDF reconstruction is used to create an adaptive narrow-band domain. Then, depth observations are combined using a heteroscedastic Bayesian formulation that is solved using sparse linear algebra and preconditioned conjugate gradients. Randomized diagonal estimators are a quick way to get an idea of posterior uncertainty. This makes it possible to extract surfaces and plan the next best view while taking into account uncertainty. Tests on a controlled ablation scene and a CO3D object sequence show that the new method is more accurate geometrically than TSDF baselines and gives useful estimates of uncertainty for active sensing. The proposed formulation provides a clear and easy-to-use alternative to GPU-heavy neural reconstruction methods while still being able to be understood in a probabilistic way and acting in a predictable way. GitHub: https://mazumdarsoumya.github.io/BayesFusionSDF
• Abstract（参考訳）: ロボット工学、拡張現実、デジタル検査の鍵となる部分は、深度観測による密集した3D再構成である。 truncated signed distance function (TSDF)を含む従来の体積融合技術は、効率的かつ決定論的幾何再構成を可能にするが、それらはヒューリスティック重み付けに依存しており、体系的な方法で不確実性を透過的に伝達することができない。 一方、最近のニューラル暗黙的手法は、非常に忠実度が高いが、通常最適化には多くのGPUパワーが必要であり、後の意思決定では理解しづらい。 この研究は、CPU中心の確率的符号付き距離融合フレームワークであるBayesFusion-SDFを紹介し、ボクセル距離上で定義された後分布を持つスパースガウス確率場として幾何学を概念化する。 まず、適応狭帯域領域を作成するために、粗いTSDF再構成を用いる。 次に、疎線型代数とプレコンディション付き共役勾配を用いて解かれるヘテロスセダスティックベイズ方程式を用いて深度観測を結合する。 ランダム化された対角線推定器は、後続の不確かさのアイデアを素早く得る方法である。 これにより、不確実性を考慮して表面を抽出し、次の最良のビューを計画することができる。 制御されたアブレーションシーンとCO3Dオブジェクトシーケンスの試験では、新しい手法がTSDFベースラインよりも幾何的に正確であることを示し、アクティブセンシングに有用な不確実性の評価を与える。 提案された定式化は、GPU重み付けのニューラルリコンストラクション手法に代わる、明確で使いやすい代替手段を提供すると同時に、確率論的方法で理解でき、予測可能な方法で動作することができる。 GitHub: https://mazumdarsoumya.github.io/BayesFusionSDF

関連論文リスト

• Voronoi-Assisted Diffusion for Computing Unsigned Distance Fields from Unoriented Points [59.493891955043914]
  Voronoi-Assisted Diffusion (VAD) は、Unsigned Distance Fields (UDF) を計算するための軽量でネットワークフリーな方法である。 VADは水密面と開面を強く扱い、複雑な非多様体と非配向幾何学も扱う。
  論文  参考訳（メタデータ） (2025-10-14T13:49:53Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Laplacian Autoencoders for Learning Stochastic Representations [0.6999740786886537]
  本稿では,非教師付き表現学習のためのベイズオートエンコーダを提案する。 我々のラプラシアオートエンコーダは、潜在空間と出力空間の両方において、よく校正された不確かさを推定する。
  論文  参考訳（メタデータ） (2022-06-30T07:23:16Z)
• 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)
• Robust and Accurate Superquadric Recovery: a Probabilistic Approach [29.7543198254021]
  点雲から超四分儀を回収する最初の確率的手法を提案する。 提案手法は, 合成データセットと実世界のデータセットの精度, 効率, 堅牢性の観点から, 最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-11-29T13:17:17Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
  本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。 我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。 LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-29T06:24:55Z)

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。