論文の概要: SHIFT: Surface-aware High-speed Integration For TSDFs
- arxiv url: http://arxiv.org/abs/2609.06547v1
- Date: Sun, 06 Sep 2026 11:36:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 05:15:46.374952
- Title: SHIFT: Surface-aware High-speed Integration For TSDFs
- Title（参考訳）: ShiFT: TSDFのサーフェス対応の高速統合
- Abstract要約: リアルタイム3Dマッピングは、自律型ロボットナビゲーションの基本である。
現在、Euclidean Signed Distance Fields (ESDFs) はオンライン・モーション・プランニングの標準表現となっている。
私たちは、このフレーム単位の更新コストを削減するために設計された効率的なマッピングフレームワークShiftを紹介します。
- 参考スコア（独自算出の注目度）: 1.253312107729806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time 3D mapping is fundamental for autonomous robotic navigation, with Euclidean Signed Distance Fields (ESDFs) serving as the standard representation for online motion planning. While recent advancements in non- projective distance fields yield highly accurate maps, their computational overhead remains a severe bottleneck. Conventional integrators redundantly re-fuse millions of depth pixels every frame, even long after the corresponding voxels have converged, wasting significant computational resources in environments dominated by large planar surfaces. In this paper, we present SHIFT (Surface-aware High-speed Integration For TSDFs), an efficient mapping framework designed to reduce this per-frame update cost. By exploiting structural redundancy directly from 3D depth geometry, SHIFT compresses flat local regions into weighted super-rays and freezes flat-voxel gradients. A compact ESDF voxel layout further reduces the memory footprint of the remaining wavefront. Extensive evaluations across various RGB-D and LiDAR sequences show that SHIFT cuts TSDF cost by 1.42 to 4.07 times, while holding mesh error within millimeters, and reduces ESDF-layer memory by up to 28%
- Abstract（参考訳）: Euclidean Signed Distance Fields (ESDFs) はオンラインモーションプランニングの標準表現として機能している。
非射影距離場の最近の進歩は高度に正確な写像をもたらすが、その計算オーバーヘッドは深刻なボトルネックのままである。
従来の積分器は、対応するボクセルが収束した後も、フレームごとに数百万の深度ピクセルを冗長に再融合し、大きな平面面に支配される環境において重要な計算資源を浪費する。
本稿では、このフレーム単位の更新コストを削減するために設計された効率的なマッピングフレームワークShiFT(Surface-aware High-speed Integration for TSDFs)を提案する。
3次元深度幾何学から直接構造的冗長性を利用することにより、Shiftは平坦な局所領域を重み付きスーパーレイに圧縮し、平坦なボクセル勾配を凍結する。
コンパクトなESDFボクセルレイアウトは、残りのウェーブフロントのメモリフットプリントをさらに削減する。
様々なRGB-DおよびLiDARシーケンスの大規模な評価では、ShiFTはTSDFのコストを1.42～4.07倍削減し、メッシュエラーをミリ秒以内で保持し、ESDF層メモリを最大28%削減している。
関連論文リスト
- Surfsvr: 2D Surface Priors as 3D Geometric Regularizers for Sparse Voxel Reconstruction [56.51413081953813]
SurfSVRは2次元表面の先行を明示的な3次元幾何正規化器として扱う新しいスパースボクセル再構成パラダイムである。
鮮明なボクセルの再現は、視認性と幾何学的特性が著しく異なる場面で一貫して改善される。
論文 参考訳（メタデータ） (2026-08-12T11:25:31Z) - PiLoT v2: Pixel-to-Orthogonal Map Alignment for Free-view UAV Geo-localization [23.657357182211722]
自由視点UAVのジオローカライゼーションのための画素対直交マップ登録にパラダイムをシフトさせる軽量で頑健な進化であるPiLoT v2を提案する。
True Digital Orthophoto Maps (TDOMs) と Digital Surface Models (DSMs) を基準として、PiLoT v2はGPU集約型3Dレンダリングを高効率でCPUフレンドリなマップトリミング操作に置き換える。
論文 参考訳（メタデータ） (2026-06-30T03:45:16Z) - MB-Loc: Multi-planar Bird's-eye-view Localization in outdoor LiDAR scenes [2.3666547827177733]
我々は,グローバルLiDARローカライゼーションのための軽量かつ視点ロバストなSCRフレームワークMB-Locを提案する。
Z軸に沿って点雲をスライスし、符号付き深度を離散2次元平面にマッピングすることにより、MB-Locは標準2次元CNNの計算的トラクタビリティを活用しながら必須な3次元幾何学構造を保持する。
我々は、公開可能なNCLTデータセットに関する広範な実験を行い、提案手法が現在の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2026-06-07T17:25:06Z) - LiftNav: Path Planning via Semantic Lifting in TSDF-Guided Gaussian Splatting [8.537296437078387]
本稿では,GSFusionのTSDF+GS双対マップ上に構築されたハイブリッドナビゲーションフレームワークLiftNavを紹介する。
この設計により、高密度な3D埋め込みなしでフレキシブルなセマンティックナビゲーションが可能になる。
現状の放射界ベースラインと比較すると、100%実現率と短い軌跡が示される。
論文 参考訳（メタデータ） (2026-05-29T14:44:59Z) - 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) - ParkingTwin: Training-Free Streaming 3D Reconstruction for Parking-Lot Digital Twins [8.681741531117366]
ParkingTwinは、オンラインストリーミング3D再構築のためのトレーニング不要で軽量なシステムである。
エントリーレベルのGTX 1660では30FPS以上で動作する。
論文 参考訳（メタデータ） (2026-01-20T08:03:58Z) - LoG3D: Ultra-High-Resolution 3D Shape Modeling via Local-to-Global Partitioning [26.88556500272625]
非符号距離場(UDF)に基づく新しい3次元変分オートエンコーダフレームワークを提案する。
私たちの中心となるイノベーションは、UDFを統一サブボリュームであるUBlockに分割することで処理する、ローカルからグローバルなアーキテクチャです。
再現精度と生成品質の両面での最先端性能を実証し,表面の滑らかさと幾何学的柔軟性を向上した。
論文 参考訳（メタデータ） (2025-11-13T07:34:43Z) - PLANA3R: Zero-shot Metric Planar 3D Reconstruction via Feed-Forward Planar Splatting [56.188624157291024]
提案するPLANA3Rは,提案しない2次元画像から平面3次元再構成を計測するためのポーズレスフレームワークである。
トレーニング中に3次元平面アノテーションを必要とする以前のフィードフォワード法とは異なり、PLANA3Rは明確な平面監督なしで平面3次元構造を学習する。
本研究は,複数の室内環境データセットに対するPLANA3Rの有効性を検証するとともに,領域外屋内環境への強力な一般化を実証する。
論文 参考訳（メタデータ） (2025-10-21T15:15:33Z) - SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。
SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
論文 参考訳（メタデータ） (2025-03-27T17:46:42Z) - RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。
本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。
提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
論文 参考訳（メタデータ） (2024-06-14T07:54:25Z) - DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。
本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-01-15T09:31:58Z)
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。