論文の概要: Neural LiDAR Bundle Adjustment

• arxiv url: http://arxiv.org/abs/2607.04169v1
• Date: Sun, 05 Jul 2026 08:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.845468
• Title: Neural LiDAR Bundle Adjustment
• Title（参考訳）: ニューラルLiDARバンドル調整
• Abstract要約: 我々は,LiDAR NeRFにおいて,体積サンプリングの密度が重要な役割を果たすことを示す理論的証拠と経験的証拠の両方を提供する。 本稿では,LiDAR の効率的な体積サンプリングを応用したニューラルLiDARバンドリング調整法を提案する。
• 参考スコア（独自算出の注目度）: 7.6048400091257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has achieved remarkable novel view rendering and scene reconstruction results with Neural Radiance Field (NeRF), including extensions to the LiDAR modality. Few studies have, however, explored the key design differences between RGB NeRFs and LiDAR NeRFs, particularly considering their underlying working principles. In this work, we provide both theoretical and empirical evidence suggesting that the density of volume sampling plays a significant role in LiDAR NeRF. Based on this finding, we propose a novel Neural LiDAR Bundle Adjustment (NeLD-BA) algorithm, which is tailored using efficient volume sampling of LiDAR rays for joint optimization of LiDAR map and poses. Extensive experiments are performed using the Newer College and FusionPortable datasets to demonstrate the proposed NeLD-BA's state-of-the-art performance in multi-view point cloud registration and 3D mapping. We will open-source our code for the community.
• Abstract（参考訳）: 近年の研究では、LiDARモダリティの拡張を含むニューラル・ラジアンス・フィールド(Neural Radiance Field、NeRF)による、目覚ましいビューレンダリングとシーン再構築の結果が達成されている。 しかし、RGB NeRFとLiDAR NeRFの主な設計上の違い、特に基礎となる動作原理を考察する研究はほとんどない。 本研究では,LiDAR NeRFにおいて,体積サンプリングの密度が重要な役割を果たすことを示す理論的証拠と経験的証拠の両方を提供する。 そこで本研究では,LiDARマップとポーズの協調最適化のために,LiDARの効率的なボリュームサンプリングを用いて調整した新しいNeural LiDAR Bundle Adjustment (NeLD-BA)アルゴリズムを提案する。 Newer CollegeとFusionPortableのデータセットを使用して、多視点クラウド登録と3Dマッピングで提案されたNeLD-BAの最先端性能を実証するために、大規模な実験が行われた。 私たちはコミュニティのためにコードをオープンソースにします。

関連論文リスト

• Low-Cost Neural Radiance Fields [0.7330284101822845]
  本研究では, DS-NeRF, TensoRF, HashNeRFの3種類の加速型NeRFの比較検討を行った。 テンソRF(TensoRF-DS)にCOLMAPキーポイントから導出される奥行き超過損失を付加し,それを縮小されたビューカウントで評価する。 我々はHashNeRF色と密度ネットワークの4つのアーキテクチャ的バリエーションを提案し、残差と畳み込みの設計を含む。
  論文  参考訳（メタデータ） (2026-05-10T04:13:45Z)
• 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)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Neural LiDAR Fields for Novel View Synthesis [80.45307792404685]
  本稿では,LiDAR計測からニューラルネットワークシーンの表現を最適化する手法であるLiDAR(NFL)について述べる。 NFLは、ニューラルネットワークのレンダリングパワーと、LiDARセンシングプロセスの詳細な物理的動機付けモデルを組み合わせる。 合成されたビューの改良されたリアリズムは、ドメインギャップを実際のスキャンに狭め、より良い登録とセマンティックセグメンテーション性能に変換することを示す。
  論文  参考訳（メタデータ） (2023-05-02T17:55:38Z)
• LiDAR-NeRF: Novel LiDAR View Synthesis via Neural Radiance Fields [112.62936571539232]
  本稿では,LiDARセンサのための新しいビュー合成手法を提案する。 スタイルトランスファーニューラルネットワークを用いた従来のモデルベースLiDARシミュレータは、新しいビューのレンダリングに応用できる。 ニューラル放射場(NeRF)を用いて幾何学と3D点の属性の連成学習を容易にする。
  論文  参考訳（メタデータ） (2023-04-20T15:44:37Z)
• NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping [14.433784957457632]
  ニューラルドメトリー,ニューラルマッピング,メッシュ再構成の3つのモジュールからなる新しいNeRF-LOAMを提案する。 提案手法は,LiDARデータを用いた大規模環境において,最先端のオドメトリーとマッピング性能を実現するとともに,強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-03-19T16:40:36Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)

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。