論文の概要: Surface Reconstruction from Range Scans Under Visibility Constraints

• arxiv url: http://arxiv.org/abs/2610.18005v1
• Date: Tue, 13 Oct 2026 09:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:46:18.892038
• Title: Surface Reconstruction from Range Scans Under Visibility Constraints
• Title（参考訳）: 視認性制約下におけるレンジスコープの表面再構成
• Abstract要約: レンジスキャンによる表面の再構成は、ノイズや外れ値の存在下では困難である。 ほとんどのニューラルアプローチは、センサの位置とそれに対応する可視情報を捨て、幾何学的先行項や正規化項でこの損失を補う。 その代わりに、各取得線に沿った予測された第1表面交差を、その測定された深さに対して頑健な回帰として表面再構成を定式化する。
• 参考スコア（独自算出の注目度）: 18.63868319270938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface reconstruction from range scans is challenging in the presence of noise and outliers, as fidelity to observations must be balanced against sensitivity to measurement errors. Yet, most neural approaches discard the sensor positions and corresponding visibility information, compensating for this loss with geometric priors or regularization terms. We instead formulate surface reconstruction as robust regression of the predicted first surface intersection along each acquisition ray against its measured depth, which penalizes predicted surface intersections within the segment between the sensor and the observed point. We represent the surface as the zero set of a 1-Lipschitz multi-layer perceptron, allowing the use of linearly convergent sphere tracing to compute the first hit, and use a robust Huber loss for regression. Our formulation requires neither oriented normals, sampled off-surface points, nor an eikonal loss. Comparisons with the state of the art on synthetic and real data with varying levels of noise and outlier contamination demonstrate competitive performance on clean data and much improved fidelity and robustness under even moderate corruption. Our analysis further confirms a trade-off between fidelity and robustness: greater fitting capacity improves data fidelity in the clean case but increases sensitivity to the measurement errors inherent in real acquisitions, with a sweet spot typically emerging at intermediate capacity.
• Abstract（参考訳）: レンジスキャンによる表面の再構成は、ノイズや外れ値の存在下では困難であり、観測への忠実度は測定誤差に対する感度に対してバランスを取らなければならない。 しかし、ほとんどのニューラルネットワークはセンサーの位置とそれに対応する可視性情報を捨て、幾何学的先行項や正規化項でこの損失を補う。 その代わりに, センサと観測点間のセグメント内の予測面の交差を解析し, 測定した深度に対して, 予測された第1表面の交叉の頑健な回帰として表面再構成を定式化する。 我々は表面を1-Lipschitz多層パーセプトロンの零集合として表現し、線形収束球追跡を用いて最初のヒットを計算し、レグレッションのためにロバストなハマーロスを使用することができる。 我々の定式化は、向き付けられた正規値、サンプル化されたオフサーフェス点、およびエイコナール損失を必要としない。 合成データと実データを比較して、ノイズレベルや外層汚染のレベルが異なる場合と比較すると、クリーンなデータ上での競合性能と、中等度な汚濁下での忠実さと堅牢さが著しく向上したことが示される。 適合能力はクリーンケースにおけるデータ忠実度を向上させるが、実際の取得に固有の測定誤差に対する感度は向上し、典型的には中間容量でスイートスポットが出現する。

関連論文リスト

• Benchmarking Visual-Inertial Odometry in Subterranean Environments Under Sensor Degradation, Miscalibration, and Dynamic Occlusion [19.67972501996262]
  視覚慣性オドメトリー(VIO)は,GPSを用いた地下環境下での自律運転のコア機能である。 既存の評価は主に名目条件の正確さを強調し、実際のデプロイメント失敗の発生時期について限定的な洞察を提供する。 CERBERUSデータセットを用いて,地下環境におけるVIOの故障中心応力-テストベンチマークを示す。
  論文  参考訳（メタデータ） (2026-09-16T13:17:39Z)
• Geometric Collapse: When Vision Models Fail to Verify Physical Causality [52.43819179934414]
  スクランブルドエッジ(Scrambled Edges)は、サリアントエッジのようなキューを注入する制御されたカウンターファクトである。 エネルギー整合制御と構造整合制御により, 高周波エネルギーとエッジ間隔から支持エッジエビデンスの効果を分離する。 CNN/ViT/SSL深度予測器を通して、Scrambled Edgesはエネルギー整合ノイズよりもクリーンな予測から最大3.2倍大きな偏差を誘導する。
  論文  参考訳（メタデータ） (2026-07-08T00:04:02Z)
• Overcoming "Physics Shock" in Earth Observation A Heteroscedastic Uncertainty Framework for PINN-based Flood Inference [0.29165586612027233]
  リモートセンシングデータからの迅速かつ正確な洪水範囲マッピングは, 災害対応に不可欠である。 標準的なディープラーニングモデルは、水文学的な制約が欠如しているため、物理的に不可能な予測を生成することが多い。 本研究では,地球観測に特化した新しい不確実性対応PINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T18:14:17Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Why Some Models Resist Unlearning: A Linear Stability Perspective [7.446140380340418]
  我々は線形コヒーレンス安定性のレンズを通してアンラーニングを行う。 我々は3つの軸に沿ってコヒーレンスを分解する。 データ特性と忘れやすさを更に関連付けるために,信号+雑音モデルの下で2層ReLU CNNについて検討する。 経験的幾何学では、ヘッセンテストとCNNヒートマップが予測境界と密接に一致していることを示し、安定性勾配に基づくアンラーニングを検証、混合、データ/モデルアライメントの関数としてマッピングする。
  論文  参考訳（メタデータ） (2026-02-03T01:47:26Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• A simple connection from loss flatness to compressed neural representations [3.5502600490147196]
  損失ランドスケープの平坦さを反映したパラメータ空間の幾何学的測度であるシャープネスは、ニューラルネットワークの挙動と潜在的な関係について長い間研究されてきた。 本稿では,特徴空間におけるニューラル表現の局所的幾何学的特徴がシャープさがどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2023-10-03T03:36:29Z)
• On the ISS Property of the Gradient Flow for Single Hidden-Layer Neural Networks with Linear Activations [0.0]
  本研究では,不確かさが勾配推定に及ぼす影響について検討した。 一般の過度にパラメータ化された定式化は、損失関数が最小化される集合の外側に配置されるスプリアス平衡の集合を導入することを示す。
  論文  参考訳（メタデータ） (2023-05-17T02:26:34Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• Learning High-Precision Bounding Box for Rotated Object Detection via Kullback-Leibler Divergence [100.6913091147422]
  既存の回転物体検出器は、主に水平検出パラダイムから受け継がれている。 本稿では,回転回帰損失の設計を帰納パラダイムから導出手法に変更することを目的としている。
  論文  参考訳（メタデータ） (2021-06-03T14:29:19Z)

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。