論文の概要: Neural Implicit Energy Optimization for LiDAR Mapping

• arxiv url: http://arxiv.org/abs/2610.28598v1
• Date: Tue, 20 Oct 2026 17:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.95668
• Title: Neural Implicit Energy Optimization for LiDAR Mapping
• Title（参考訳）: LiDARマッピングのためのニューラルインシシットエネルギー最適化
• Abstract要約: ニューラルな暗黙表現のパラメータ空間上でのエネルギー汎関数の最適化として、ニューラルなLiDARマッピングを定式化する。 具体的には、平面の曲率を表すレベルセットの形状演算子上に定義されたエネルギー関数で符号付き距離場を正規化する。 大規模データセットの実験では、保存された幾何学的忠実度で滑らかさが向上し、追加の推論時間コストが不要である。
• 参考スコア（独自算出の注目度）: 19.50558347097415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural implicit representations provide memory-efficient signed distance field (SDF) parameterizations for large-scale LiDAR scenes, but the geometry recovered from sparse and often noisy inputs carries jitter and artifacts. Classical geometric optimization techniques resolve such artifacts with surface energy functionals, whose minimizers correspond to smooth surfaces. Motivated by this principle, we formulate neural LiDAR mapping as the optimization of energy functionals over the parameter space of neural implicit representations. Specifically, we regularize the signed distance field with an energy functional defined on the shape operator of its level set, which represents the curvature of the surface, thus encouraging smoothness along the surface. This adapts classical geometric priors to the scale of million-point LiDAR maps. Experiments on large-scale datasets show reconstructions with improved smoothness at preserved geometric fidelity, and no additional inference-time cost. The code is publicly available at \href{https://github.com/HrishikeshVish/nieo}{https://github.com/HrishikeshVish/nieo}
• Abstract（参考訳）: ニューラルな暗黙的表現は、大規模LiDARシーンに対してメモリ効率の高い符号距離場(SDF)パラメータ化を提供するが、希薄でノイズの多い入力から復元された幾何はジッタやアーティファクトを運ぶ。 古典的な幾何学的最適化技術は、表面エネルギー関数でそのようなアーティファクトを解決し、その最小化器は滑らかな曲面に対応する。 この原理により、我々はニューラル暗黙表現のパラメータ空間上のエネルギー汎関数の最適化として、ニューラルLiDARマッピングを定式化する。 具体的には、表面の曲率を表すレベルセットの形状演算子に定義されたエネルギー関数で符号付き距離場を正則化し、表面の滑らかさを促進させる。 これは、100万点のLiDAR写像のスケールに古典幾何学的先行を適応させる。 大規模データセットの実験では、保存された幾何学的忠実度で滑らかさが向上し、追加の推論時間コストが不要である。 コードは \href{https://github.com/HrishikeshVish/nieo}{https://github.com/HrishikeshVish/nieo} で公開されている。

関連論文リスト

• Gaussian Sculpting: End-to-End Controllable Surface Reconstruction via Field Optimization [22.001328928240053]
  3D Gaussian Splattingは、最近、印象的な品質でリアルタイムの新規ビュー合成を可能にした。 限定的な視点で正確な曲面を復元することは困難であり、ガウス原始体の固有の不規則性のためである。 本稿では,高品質な表面再構成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T07:42:24Z)
• DySurface: Consistent 4D Surface Reconstruction via Bridging Explicit Gaussians and Implicit Functions [30.023158829098502]
  動的シーンにおける暗黙的距離関数(SDF)の幾何学的忠実度で、明示的なガウス的効果を橋渡しする新しいフレームワークであるDySurfaceを提案する。 具体的には,変形したガウスを生かしたVoxGS-DSDF分岐を用いて,動的スパースボクセル格子を構築し,暗黙のSDF場への幾何的ガイダンスを提供する。 この明示的なアンカーは、ボリュームレンダリングプロセスを効果的に調整し、水密境界と詳細な表現で表面再構成品質を著しく改善する。
  論文  参考訳（メタデータ） (2026-05-11T11:05:17Z)
• VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment [48.147381011235446]
  3D Gaussian Splattingは、リアルタイムな新規ビュー合成のための効率的なソリューションとして最近登場した。 ビューアライメントによる3次元ガウス多様体の幾何学的表現を強化する新しい手法を提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-10-13T14:44:50Z)
• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• HessianForge: Scalable LiDAR reconstruction with Physics-Informed Neural Representation and Smoothness Energy Constraints [18.858320397002277]
  深層学習アプローチは、生のLiDAR点雲から符号付き距離場を学習する。 トポロジ的不整合とエッジ歪みの補正のためのテスト時間改善戦略 textttCUDAによる最小二乗最適化。
  論文  参考訳（メタデータ） (2025-03-11T22:18:51Z)
• InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction [15.900375207144759]
  多視点画像からの3次元表面再構成はシーン理解とインタラクションに不可欠である。 ニューラルレージアンス場(NeRF)や符号付き距離関数(SDF)といった近年の暗黙的な表面表現は、観測情報の欠如を解決するために様々な幾何学的先行法を用いている。 本稿では,高度に相関したシーンポイントの表面正規化における相互情報を明確に促進することにより,幾何学的モデリングの正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-17T15:46:25Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal Charts and Distortion [71.52576837870166]
  我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。 その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。 我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
  論文  参考訳（メタデータ） (2022-07-29T16:55:06Z)

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。