論文の概要: Hi-LOAM: Hierarchical Implicit Neural Fields for LiDAR Odometry and Mapping

• arxiv url: http://arxiv.org/abs/2604.01720v1
• Date: Thu, 02 Apr 2026 07:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.588615
• Title: Hi-LOAM: Hierarchical Implicit Neural Fields for LiDAR Odometry and Mapping
• Title（参考訳）: Hi-LOAM:LiDARオドメトリーとマッピングのための階層的インシシシトニューラルネットワーク
• Authors: Zhiliu Yang, Jianyuan Zhang, Lianhui Zhao, Jinyu Dai, Zhu Yang,
• Abstract要約: 我々は,Hi-LOAMと呼ばれるLiDARセンサを用いたマルチスケール暗黙的ニューラルローカライゼーションとマッピングフレームワークを提案する。 Hi-LOAMは入力データモダリティとしてLiDARポイントクラウドを受信し、オクツリー構造に基づいて複数のレベルのハッシュテーブルに階層的な潜在特徴を学習し、記憶する。 ポーズ推定には、最適なポーズを推定し、現在のスキャンをサブマップに登録するために、対応のないスキャン・トゥ・インシプリット・マッチング・パラダイムを頼りにしている。 トレーニングプロセス全体は自己指導的な方法で実施され、モデルの事前学習を放棄し、多様な環境に適用する際の一般化可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR Odometry and Mapping (LOAM) is a pivotal technique for embodied-AI applications such as autonomous driving and robot navigation. Most existing LOAM frameworks are either contingent on the supervision signal, or lack of the reconstruction fidelity, which are deficient in depicting details of large-scale complex scenes. To overcome these limitations, we propose a multi-scale implicit neural localization and mapping framework using LiDAR sensor, called Hi-LOAM. Hi-LOAM receives LiDAR point cloud as the input data modality, learns and stores hierarchical latent features in multiple levels of hash tables based on an octree structure, then these multi-scale latent features are decoded into signed distance value through shallow Multilayer Perceptrons (MLPs) in the mapping procedure. For pose estimation procedure, we rely on a correspondence-free, scan-to-implicit matching paradigm to estimate optimal pose and register current scan into the submap. The entire training process is conducted in a self-supervised manner, which waives the model pre-training and manifests its generalizability when applied to diverse environments. Extensive experiments on multiple real-world and synthetic datasets demonstrate the superior performance, in terms of the effectiveness and generalization capabilities, of our Hi-LOAM compared to existing state-of-the-art methods.
• Abstract（参考訳）: LOAM(LiDAR Odometry and Mapping)は、自律運転やロボットナビゲーションなどのAI応用のための重要な技術である。 既存のLOAMフレームワークのほとんどは、監視信号に精通しているか、あるいは大規模な複雑なシーンの詳細を描くのに不十分な再構成忠実性の欠如である。 これらの制約を克服するために,Hi-LOAMと呼ばれるLiDARセンサを用いたマルチスケールの暗黙的ニューラルローカライゼーションとマッピングフレームワークを提案する。 Hi-LOAMは、入力データモダリティとしてLiDARポイントクラウドを受信し、オクツリー構造に基づいて複数のレベルのハッシュテーブルに階層的な潜伏特徴を学習、記憶し、これらの多スケール潜伏特徴をマッピング手順において浅層受容器(MLP)を介して符号付き距離値に復号する。 ポーズ推定には、最適なポーズを推定し、現在のスキャンをサブマップに登録するために、対応のないスキャン・トゥ・インシプリット・マッチング・パラダイムを頼りにしている。 トレーニングプロセス全体は自己指導的な方法で実施され、モデルの事前学習を放棄し、多様な環境に適用する際の一般化可能性を示す。 複数の実世界のデータセットと合成データセットの大規模な実験は、既存の最先端手法と比較して、Hi-LOAMの有効性と一般化能力において優れた性能を示している。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• RECALL: REpresentation-aligned Catastrophic-forgetting ALLeviation via Hierarchical Model Merging [33.22889542330089]
  大規模言語モデル(LLM)の内部表現は、学習知識の信頼できるプロキシとして機能する。 本稿では,過去データにアクセスせずに連続的な学習を行うための表現認識モデル統合フレームワークRECALLを提案する。
  論文  参考訳（メタデータ） (2025-10-23T12:17:37Z)
• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• LISNeRF Mapping: LiDAR-based Implicit Mapping via Semantic Neural Fields for Large-Scale 3D Scenes [2.822816116516042]
  大規模セマンティックマッピングは、屋外の自律エージェントが計画やナビゲーションといった高度なタスクを遂行するために不可欠である。 本稿では,提案するLiDAR測度のみでの暗黙的表現による大規模3次元意味再構築手法を提案する。
  論文  参考訳（メタデータ） (2023-11-04T03:55:38Z)
• Hierarchical Spatio-Temporal Representation Learning for Gait Recognition [6.877671230651998]
  歩行認識は、個人を独自の歩行スタイルで識別する生体計測技術である。 粗いものから細かいものまで歩行特徴を抽出する階層的時間的表現学習フレームワークを提案する。 本手法は,モデル精度と複雑性の適切なバランスを維持しつつ,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-07-19T09:30:00Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Densely Nested Top-Down Flows for Salient Object Detection [137.74130900326833]
  本稿では,物体検出におけるトップダウンモデリングの役割を再考する。 密度の高いトップダウンフロー(DNTDF)ベースのフレームワークを設計する。 DNTDFのすべての段階において、高いレベルの特徴はプログレッシブ圧縮ショートカットパス(PCSP)を介して読み込まれる。
  論文  参考訳（メタデータ） (2021-02-18T03:14:02Z)
• Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration [15.946728828122385]
  本稿では,複数のLiDARのロバストかつ同時キャリブレーション,オドメトリー,マッピングを実現するシステムを提案する。 キャリブレーションとSLAMのための10列(全長4.60km)の広範囲な実験により,本手法の性能を検証した。 提案手法は,様々なマルチLiDARセットアップのための完全で堅牢なシステムであることを示す。
  論文  参考訳（メタデータ） (2020-10-27T13:51:26Z)

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。