論文の概要: Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer

• arxiv url: http://arxiv.org/abs/2604.09478v1
• Date: Fri, 10 Apr 2026 16:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.965301
• Title: Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer
• Title（参考訳）: LiDARの慣性オドメトリーとRGB直接ラベル転送によるインクリメンタルセマンティクス支援メッシュ
• Authors: Muhammad Affan, Ville Lehtola, George Vosselman,
• Abstract要約: 室内スキャンからセマンティクスを援用した高品質メッシュを生成するモジュール状でインクリメンタルなRGB+LiDARパイプラインを提案する。 ビジョンファウンデーションモデルは、各RGBフレームにラベルを付け、ラベルは段階的に投影され、LiDAR慣性オドメトリーマップに融合される。 結果のセマンティックなラベル付きメッシュは、ユニバーサルシーン記述(USD)資産を再構築する際の価値である。
• 参考スコア（独自算出の注目度）: 3.2208886039079925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric high-fidelity mesh reconstruction from LiDAR-inertial scans remains challenging in large, complex indoor environments -- such as cultural buildings -- where point cloud sparsity, geometric drift, and fixed fusion parameters produce holes, over-smoothing, and spurious surfaces at structural boundaries. We propose a modular, incremental RGB+LiDAR pipeline that generates incremental semantics-aided high-quality meshes from indoor scans through scan frame-based direct label transfer. A vision foundation model labels each incoming RGB frame; labels are incrementally projected and fused onto a LiDAR-inertial odometry map; and an incremental semantics-aware Truncated Signed Distance Function (TSDF) fusion step produces the final mesh via marching cubes. This frame-level fusion strategy preserves the geometric fidelity of LiDAR while leveraging rich visual semantics to resolve geometric ambiguities at reconstruction boundaries caused by LiDAR point-cloud sparsity and geometric drift. We demonstrate that semantic guidance improves geometric reconstruction quality; quantitative evaluation is therefore performed using geometric metrics on the Oxford Spires dataset, while results from the NTU VIRAL dataset are analyzed qualitatively. The proposed method outperforms state-of-the-art geometric baselines ImMesh and Voxblox, demonstrating the benefit of semantics-aided fusion for geometric mesh quality. The resulting semantically labelled meshes are of value when reconstructing Universal Scene Description (USD) assets, offering a path from indoor LiDAR scanning to XR and digital modeling.
• Abstract（参考訳）: LiDARの慣性スキャンによる幾何学的高忠実度メッシュの再構築は、ポイント雲の間隔、幾何学的ドリフト、固定された融合パラメータが、構造境界における穴、過度な平らさ、急激な表面を生じさせるような、大規模で複雑な屋内環境において、依然として困難である。 そこで本研究では,室内スキャンからインクリメンタルなセマンティクス支援による高品質メッシュを生成するモジュール型RGB+LiDARパイプラインを提案する。 ビジョンファウンデーションモデルは、各RGBフレームにラベルを付け、ラベルはLiDAR慣性オドメトリーマップにインクリメンタルに投影され、融合され、インクリメンタルセマンティクスを意識したTrncated Signed Distance Function(TSDF)融合ステップは、マーチングキューブを介して最終メッシュを生成する。 このフレームレベルの融合戦略は、LiDARの幾何学的忠実性を維持しつつ、リッチな視覚的セマンティクスを活用して、LiDARの点-雲の間隔と幾何学的ドリフトに起因する再構成境界における幾何学的曖昧性を解決する。 そこで,オックスフォード・スパイルズデータセットの幾何学的指標を用いて定量的評価を行い,NTU VIRALデータセットの結果を質的に分析した。 提案手法はImMeshやVoxbloxといった最先端の幾何学的ベースラインよりも優れており、幾何学的メッシュ品質に対するセマンティクス支援融合の利点を実証している。 結果として得られたセマンティックなラベル付きメッシュは、ユニバーサルシーン記述(USD)資産を再構築する際に価値があり、屋内LiDARスキャンからXR、デジタルモデリングへのパスを提供する。

関連論文リスト

• SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
  UAV VLNのための幾何学誘導空間表現フレームワークを提案する。 明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。 実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-22T03:56:58Z)
• GGPT: Geometry Grounded Point Transformer [22.64445696362087]
  本稿では,GGPT(Geometry-Grounded Point Transformer)について紹介する。 この基礎の上に構築された幾何誘導型3次元点変換器は,比例的な部分幾何学的監督の下で高密度点マップを洗練する。
  論文  参考訳（メタデータ） (2026-03-11T18:00:04Z)
• GenDA: Generative Data Assimilation on Complex Urban Areas via Classifier-Free Diffusion Guidance [5.646118100261389]
  GenDAは、限られた観測から非構造メッシュ上の高分解能風場を再構築する生成データ同化フレームワークである。 提案フレームワークは,複雑な領域における環境モニタリングのための生成的・幾何学的データ同化に向けて,スケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-01-16T17:02:00Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• LiDAR-GS++:Improving LiDAR Gaussian Reconstruction via Diffusion Priors [51.724649822336346]
  実時間および高忠実度再シミュレーションのための拡散前処理により強化された再構成手法であるLiDAR-GS++を提案する。 具体的には、粗い外挿レンダリングを条件とした制御可能なLiDAR生成モデルを導入し、余分な幾何整合性スキャンを生成する。 再構成を未適合領域にまで拡張することにより,外挿的視点に対するグローバルな幾何整合性を確保することができる。
  論文  参考訳（メタデータ） (2025-11-15T17:33:12Z)
• GDROS: A Geometry-Guided Dense Registration Framework for Optical-SAR Images under Large Geometric Transformations [24.22541638346487]
  我々はGDROSを提案する。GDROSはグローバルなクロスモーダル画像の相互作用を利用したジオメトリ誘導型密度登録フレームワークである。 まず、CNN-Transformerハイブリッド特徴抽出モジュールを用いて、光学画像とSAR画像からクロスモーダルな深度特徴を抽出する。 次に、予測された高密度光流場を幾何学的に制約する最小二乗回帰(LSR)モジュールを実装した。
  論文  参考訳（メタデータ） (2025-11-01T15:40:34Z)
• Seeing 3D Through 2D Lenses: 3D Few-Shot Class-Incremental Learning via Cross-Modal Geometric Rectification [59.17489431187807]
  本稿では,CLIPの階層的空間意味論を活用することで3次元幾何学的忠実度を高めるフレームワークを提案する。 本手法は3次元のクラスインクリメンタル学習を著しく改善し,テクスチャバイアスに対して優れた幾何コヒーレンスとロバスト性を実現する。
  論文  参考訳（メタデータ） (2025-09-18T13:45:08Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• GS-SDF: LiDAR-Augmented Gaussian Splatting and Neural SDF for Geometrically Consistent Rendering and Reconstruction [12.293953058837653]
  デジタル双生児は、自律運転と具現化された人工知能の開発に基礎を成している。 ニューラルサインされた距離場とガウススプラッティングを相乗化する統合LiDAR視覚システムを提案する。 実験では、様々な軌道にまたがる再現精度とレンダリング品質が向上した。
  論文  参考訳（メタデータ） (2025-03-13T08:53:38Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)

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。