SHINE-Mapping: Large-Scale 3D Mapping Using Sparse Hierarchical Implicit Neural Representations

要約

大規模環境の正確なマッピングは、ほとんどの屋外自律システムの不可欠な構成要素です。
従来のマッピング方法の課題には、メモリ消費とマッピング精度のバランスが含まれます。
この論文では、3D LiDAR 測定から構築された暗黙的な表現を使用して、大規模な 3D 再構成を達成するという問題に対処します。
私たちは、まばらで拡張可能な八分木ベースの階層構造を通じて、暗黙的な機能を学習して保存します。
暗黙的な特徴は、浅いニューラル ネットワークを介して符号付き距離値に変換できます。
バイナリ クロス エントロピー損失を活用して、3D 測定値を監督としてローカル フィーチャを最適化します。
暗黙的な表現に基づいて、継続的な学習における忘却の問題に取り組むために、正則化を伴うインクリメンタル マッピング システムを設計します。
私たちの実験は、私たちの 3D 再構成が現在の最先端の 3D マッピング方法よりも正確で完全であり、メモリ効率が高いことを示しています。

要約(オリジナル)

Accurate mapping of large-scale environments is an essential building block of most outdoor autonomous systems. Challenges of traditional mapping methods include the balance between memory consumption and mapping accuracy. This paper addresses the problem of achieving large-scale 3D reconstruction using implicit representations built from 3D LiDAR measurements. We learn and store implicit features through an octree-based, hierarchical structure, which is sparse and extensible. The implicit features can be turned into signed distance values through a shallow neural network. We leverage binary cross entropy loss to optimize the local features with the 3D measurements as supervision. Based on our implicit representation, we design an incremental mapping system with regularization to tackle the issue of forgetting in continual learning. Our experiments show that our 3D reconstructions are more accurate, complete, and memory-efficient than current state-of-the-art 3D mapping methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google