論文の概要: LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields

• arxiv url: http://arxiv.org/abs/2605.15496v1
• Date: Fri, 15 May 2026 00:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.287595
• Title: LAPS: Improving Incremental LiDAR Mapping using Active Pooling and Sampling for Neural Distance Fields
• Title（参考訳）: LAPS: アクティブプールとサンプリングによるインクリメンタルLiDARマッピングの改善
• Authors: Dongjae Lee, Wooseong Yang, Yifu Tao, Maurice Fallon, Ayoung Kim,
• Abstract要約: LAPSはインクリメンタルなニューラルマッピングのためのリプレイ管理フレームワークである。 オンライン更新時のリプレイ保持とリプレイアロケーションを改善する。 競争力のある幾何学的精度を維持しながら、常に復元完全性を向上させる。
• 参考スコア（独自算出の注目度）: 11.70788501966735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural distance fields offer a compact and continuous representation of 3D geometry, making them attractive for incremental LiDAR mapping. However, their online optimization is vulnerable to catastrophic forgetting, where new observations can degrade previously reconstructed geometry. Replay-based training is commonly used to address this issue, but existing methods typically rely on passive replay buffers and uniform sampling, which can waste memory on redundant observations and under-train poorly constrained regions. We propose LAPS, a replay management framework for incremental neural mapping that improves both replay retention and replay allocation during online updates. LAPS combines reliability-based active pooling to retain reliable historical samples under limited memory with uncertainty-guided active sampling to focus optimization on under-constrained regions. Experiments on synthetic and real-world benchmarks show that LAPS consistently improves reconstruction completeness while maintaining competitive geometric accuracy. On Oxford Spires, it improves recall by 4.66 pp and F1-score by 3.79 pp over PIN-SLAM on the Blenheim Palace 05 sequence. We release our open source implementation at: https://github.com/dongjae0107/LAPS.
• Abstract（参考訳）: ニューラル距離場は3次元幾何学のコンパクトかつ連続的な表現を提供し、インクリメンタルLiDARマッピングにとって魅力的なものである。 しかし、彼らのオンライン最適化は破滅的な忘れ込みに対して脆弱であり、そこでは以前に再構成された幾何学が劣化する可能性がある。 リプレイベースのトレーニングは一般的にこの問題に対処するために使用されるが、既存の手法は通常、パッシブリプレイバッファと一様サンプリングに依存しており、冗長な観察や制約の少ない領域でのメモリ浪費が可能である。 オンライン更新時のリプレイ保持とリプレイアロケーションを改善するインクリメンタルニューラルマッピングのためのリプレイ管理フレームワークであるLAPSを提案する。 LAPSは信頼性に基づくアクティブプーリングと、信頼性の高い履歴サンプルを限られたメモリ下で保持し、不確実性誘導されたアクティブサンプリングを組み合わせ、制約の少ない領域に最適化する。 合成および実世界のベンチマーク実験により、LAPSは競争的幾何精度を維持しながら、復元完全性を一貫して改善することが示された。 オックスフォード・スパイルズでは、ブレンハイム・パレス05のPIN-SLAMよりも4.66pp、F1スコアが3.79pp向上している。 オープンソース実装については、https://github.com/dongjae0107/LAPSでリリースしています。

関連論文リスト

• HeaPA: Difficulty-Aware Heap Sampling and On-Policy Query Augmentation for LLM Reinforcement Learning [78.12979615107564]
  HeaPAは精度を継続的に改善し、少ない計算で目標性能に達する。 分析の結果、これらの上昇はフロンティアに焦点を当てたサンプリングとオン政治プールの成長によるものであることが示唆された。
  論文  参考訳（メタデータ） (2026-01-30T01:31:17Z)
• FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning [63.20028888397869]
  FOREVER(FORgEtting curVe-inspired mEmory)は、リプレイスケジュールをモデル中心の時間の概念と整合させる新しいフレームワークである。 このアプローチに基づいて、ForeVERは、リプレイのタイミングを決定するための曲線ベースのリプレイスケジューラと、リプレイの方法を適応的に制御するインテンシティ対応の正規化機構を組み込んでいる。
  論文  参考訳（メタデータ） (2026-01-07T13:55:14Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• GPS: Distilling Compact Memories via Grid-based Patch Sampling for Efficient Online Class-Incremental Learning [20.112448377660854]
  我々は,訓練可能なモデルに頼ることなく,情報的メモリサンプルを蒸留するための軽量な戦略であるGrid-based Patch Smpling (GPS)を紹介した。 GPSは、元の画像から画素のサブセットをサンプリングして情報的サンプルを生成し、コンパクトな低解像度表現を生成する。 GPSは既存のリプレイフレームワークにシームレスに統合できるため、メモリ制限された設定下での平均終了精度が3%-4%向上する。
  論文  参考訳（メタデータ） (2025-04-14T16:58:02Z)
• Trajectory Balance with Asynchrony: Decoupling Exploration and Learning for Fast, Scalable LLM Post-Training [71.16258800411696]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデル(LLM)のポストトレーニングにおいて重要な要素である。 ポストトレーニングに使われている既存のオンラインアルゴリズムは、経験的リプレイバッファの使用と本質的に相容れない。 本稿では,TBA(Trajectory Balance with Asynchrony)によるバッファの再生を効率よく行うことを提案する。
  論文  参考訳（メタデータ） (2025-03-24T17:51:39Z)
• Layerwise Proximal Replay: A Proximal Point Method for Online Continual Learning [22.00843101957619]
  オンライン連続学習では、ニューラルネットワークは非i.d.データストリームから漸進的に学習する。 経験的なリプレイでトレーニングされたニューラルネットワークは、不安定な最適化軌道を持つ傾向があります。 本稿では、新しいデータと再生データからの学習のバランスを保ちながら、過去のデータの隠れたアクティベーションの段階的変化を許容するLayerwise Proximal Replay(LPR)を提案する。
  論文  参考訳（メタデータ） (2024-02-14T19:34:28Z)
• Neighborhood Mixup Experience Replay: Local Convex Interpolation for Improved Sample Efficiency in Continuous Control Tasks [60.88792564390274]
  Neighborhood Mixup Experience Replay (NMER) は、状態-作用空間における遷移を補間する幾何学的に接地されたリプレイバッファである。 NMERは,ベースライン再生バッファ上で平均94%(TD3)と29%(SAC)のサンプリング効率を向上する。
  論文  参考訳（メタデータ） (2022-05-18T02:44:08Z)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)

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。