論文の概要: Uncertainty-Aware RL-Controlled Adaptive 3D Mapping

• arxiv url: http://arxiv.org/abs/2610.00188v1
• Date: Thu, 17 Sep 2026 17:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.391845
• Title: Uncertainty-Aware RL-Controlled Adaptive 3D Mapping
• Title（参考訳）: 不確実性を考慮したRL-Controlled Adaptive 3D Mapping
• Abstract要約: ボクセルを用いた体積マッピングは3次元再構成の基礎となる。 固定解像度グリッドは本質的に非効率である。 セマンティックエントロピーに基づいてボクセルを改良する適応型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 67.64575926364144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Voxel-based volumetric mapping is fundamental to 3D reconstruction, yet fixed-resolution grids remain inherently inefficient - wasting memory in uniform regions and losing detail in complex ones. Existing adaptive methods, such as MAP-ADAPT, partially address this by varying resolution based on geometry and user-defined semantic class lists, but these heuristics require expert tuning, lack generalization to unseen objects, and provide no explicit mechanism to control memory usage. We propose an adaptive framework that refines voxels based on semantic entropy, which captures label uncertainty, together with geometric curvature and texture richness as scene complexity cues, yielding principled resolution allocation without reliance on semantic taxonomies. To make the accuracy-memory trade-off explicit and user-controlled, we further introduce a reinforcement learning agent that learns voxel subdivision policies under a user-specified target memory budget, replacing hand-tuned thresholds with a single intuitive control parameter. The resulting multi-resolution TSDF achieves higher geometric accuracy, better semantic consistency, and improved memory-accuracy trade-offs compared to MAP-ADAPT and fixed-resolution baselines on both synthetic and real-world datasets. Our code and models are available at https://github.com/alpayozkan/UnRL.
• Abstract（参考訳）: ボクセルベースのボリュームマッピングは3次元再構成の基本であるが、固定解像度グリッドは本質的に非効率であり、均一な領域のメモリを浪費し、複雑な領域では詳細をなくしている。 MAP-ADAPTのような既存の適応的手法は、幾何やユーザ定義のセマンティッククラスリストに基づく様々な解決法によってこれを部分的に解決するが、これらのヒューリスティックは専門家のチューニングを必要とし、見えないオブジェクトへの一般化を欠いている。 セマンティックエントロピーに基づいてボクセルを改良する適応的フレームワークを提案する。これはラベルの不確かさを捉え、幾何学的曲率やテクスチャ豊かさをシーンの複雑さの手がかりとして捉え、セマンティック分類に依存することなく、原理化された解決割当を与える。 さらに、精度の高いメモリトレードオフを明確にし、ユーザ制御を行うために、ユーザ指定のターゲットメモリ予算の下でボクセル分割ポリシーを学習し、手動の閾値を単一の直感的な制御パラメータに置き換える強化学習エージェントを導入する。 結果として得られるマルチレゾリューションTSDFは、MAP-ADAPTや、合成および実世界のデータセット上の固定解像度ベースラインと比較して、より高度な幾何学的精度、より優れたセマンティック一貫性、およびメモリ精度のトレードオフを実現する。 私たちのコードとモデルはhttps://github.com/alpayozkan/UnRL.comで公開されています。

関連論文リスト

• Structure-agnostic Causal Representation Learning [29.12751904333385]
  因果表現学習は、データ生成の根底にある因果構造を利用して、堅牢な特徴を発見することを目的としている。 因果構造を共同で識別し,それに対応する不変表現を事前の構造知識なしで学習するフレームワークであるSaCRLを紹介する。
  論文  参考訳（メタデータ） (2026-10-01T02:59:02Z)
• Adaptive World Memory 3D Foundation Model for Scalable 3D Mapping, Localization, and Rendering [58.112594289451664]
  本稿では,スケーラブルなロボットローカライゼーション,再構成,ガウスレンダリングのためのメモリ中心の3次元基礎モデルを提案する。 我々のコアは、トランスフォーマーベースのゲート更新とテスト時間時空間制御を組み合わせたアダプティブワールドメモリ機構である。 その結果,既存の3次元ファンデーション再構築およびSLAMベースラインよりも軌道精度,復元完全性,レンダリング品質が向上した。
  論文  参考訳（メタデータ） (2026-09-18T08:53:12Z)
• Learning Structural Latent Points for Efficient Visual Representations in Robotic Manipulation [28.481044299307346]
  暗黙の表現は明示的な構造的手がかりを欠くが、明示的な表現は幾何を保存するが、分解限界と弱一般化に苦しむ。 本稿では,ハイブリッドな表現-構造的潜在点を学習する新しい事前学習フレームワークを提案する。 結果として生じるコンパクト潜水剤は粗い構造的傾向を保ち、正確な幾何学を符号化するのではなく、よりリッチな粗い形状と意味情報をキャプチャする。
  論文  参考訳（メタデータ） (2026-05-20T14:48:01Z)
• Beyond Heuristics: Learnable Density Control for 3D Gaussian Splatting [78.96382179408054]
  強化学習(RL)により最適化されたパラメータ化ポリシネットワークとして密度制御を再構築するフレームワークであるbfLeGSを紹介する。 計算的トラクタビリティを維持するために、報酬計算の複雑さを$O(N2)$から$O(N)$に下げる閉形式解を導出する。 Mip-NeRF 360、Tants & Temples、Deep Blendingのデータセットの実験は、bfLeGSが最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-01T05:04:49Z)
• Multi-Resolution Alignment for Voxel Sparsity in Camera-Based 3D Semantic Scene Completion [52.959716866316604]
  カメラベースの3Dセマンティックシーン補完(SSC)は、周囲の3Dシーンにおける各ボクセルの幾何学的占有度と意味ラベルを画像入力で評価するためのコスト効率の良いソリューションを提供する。 既存の手法は、自律運転シナリオにおけるボクセルの大部分が空であるので、ボクセルの空間性という課題に直面している。 カメラを用いた3Dセマンティックシーン補完におけるボクセル空間の分散を緩和するために,textitMulti-Resolution Alignment (MRA) アプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-03T10:46:51Z)
• Enhancing Floor Plan Recognition: A Hybrid Mix-Transformer and U-Net Approach for Precise Wall Segmentation [0.0]
  本研究では,Mix-TransformerエンコーダとU-Netデコーダを組み合わせたハイブリッドニューラルネットワークMitUNetを紹介する。 我々の手法は精度とリコールのバランスを保ち、正確な境界回復を保証する。 CubiCasa5kデータセットと独自の地域データセットの実験は、構造的に正しいマスクを生成する上でのMitUNetの優位性を示している。
  論文  参考訳（メタデータ） (2025-12-02T04:47:53Z)
• No-rank Tensor Decomposition Using Metric Learning [0.0]
  本稿では,計量学習に基づく非ランクテンソル分解フレームワークを提案する。 フレームワークの収束に関する理論的保証を提供し、その計量特性の有界性を確立する。 提案手法は, トランスフォーマーに基づく手法と比較して, より少ないトレーニングデータセットで優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-11-03T18:21:53Z)
• H3R: Hybrid Multi-view Correspondence for Generalizable 3D Reconstruction [39.22287224290769]
  H3Rは、潜在融合と注目に基づく機能集約を統合するハイブリッドフレームワークである。 両パラダイムを統合することで,既存手法よりも2$times$高速に収束しながら,一般化が促進される。 本手法は,ロバストなクロスデータセットの一般化を実証しながら,可変数および高分解能な入力ビューをサポートする。
  論文  参考訳（メタデータ） (2025-08-05T05:56:30Z)
• HAFLQ: Heterogeneous Adaptive Federated LoRA Fine-tuned LLM with Quantization [55.972018549438964]
  LLM(Federated Fine-tuning of Pre-trained Large Language Models)は、さまざまなデータセットにまたがるタスク固有の適応を可能にすると同時に、プライバシの保護を可能にする。 本研究では, HAFLQ (Heterogeneous Adaptive Federated Low-Rank Adaptation Fine-tuned LLM with Quantization) を提案する。 テキスト分類タスクの実験結果から,HAFLQはメモリ使用量を31%削減し,通信コストを49%削減し,精度を50%向上し,ベースライン法よりも高速な収束を実現している。
  論文  参考訳（メタデータ） (2024-11-10T19:59:54Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)

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。