Reg-NF: Efficient Registration of Implicit Surfaces within Neural Fields

要約

座標ベースのニューラル ネットワークであるニューラル フィールドは、暗黙的にシーンを表現するものとして最近人気を集めています。
点群などの明示的な表現に基づく古典的な方法とは対照的に、ニューラル フィールドは、ロボット工学アプリケーションにコンパクトで理想的な方法で 3D ジオメトリと外観を表現できる連続的なシーン表現を提供します。
しかし、限られた従来の方法では、これらの連続的な暗黙的表現を直接利用することによって複数の神経フィールドを登録することが検討されてきました。
この論文では、たとえ 2 つの任意のニューラル フィールド間の相対的な 6-DoF 変換を最適化するニューラル フィールド ベースのレジストレーションである Reg-NF を紹介します。これら 2 つのフィールドのスケール ファクターが異なる場合でも同様です。
Reg-NF の主要なコンポーネントには、双方向レジストレーション損失、マルチビュー表面サンプリング、体積符号付き距離関数 (SDF) の利用が含まれます。
位置合わせ問題を評価するための新しい神経野データセットに対するアプローチを紹介します。
私たちは、アプローチのパフォーマンスを確認するために徹底的な一連の実験とアブレーション研究を提供すると同時に、制約のない環境で神経場を利用する際の未解決の課題について研究コミュニティに将来の方向性を提供するための限界についても議論します。

要約(オリジナル)

Neural fields, coordinate-based neural networks, have recently gained popularity for implicitly representing a scene. In contrast to classical methods that are based on explicit representations such as point clouds, neural fields provide a continuous scene representation able to represent 3D geometry and appearance in a way which is compact and ideal for robotics applications. However, limited prior methods have investigated registering multiple neural fields by directly utilising these continuous implicit representations. In this paper, we present Reg-NF, a neural fields-based registration that optimises for the relative 6-DoF transformation between two arbitrary neural fields, even if those two fields have different scale factors. Key components of Reg-NF include a bidirectional registration loss, multi-view surface sampling, and utilisation of volumetric signed distance functions (SDFs). We showcase our approach on a new neural field dataset for evaluating registration problems. We provide an exhaustive set of experiments and ablation studies to identify the performance of our approach, while also discussing limitations to provide future direction to the research community on open challenges in utilizing neural fields in unconstrained environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google