NARUTO: Neural Active Reconstruction from Uncertain Target Observations

要約

ハイブリッドニューラル表現と不確実性学習を組み合わせ、高忠実度の表面再構成を可能にするニューラルアクティブ再構成システムである NARUTO を紹介します。
私たちのアプローチは、マッピング バックボーンとして多重解像度ハッシュ グリッドを活用します。これは、その並外れた収束速度と高周波の局所特徴を捕捉する能力のために選ばれました。私たちの仕事の中心は、再構成の不確実性を動的に定量化する不確実性学習モジュールの組み込みです。
環境を積極的に再構築します。
学習された不確実性を利用することにより、目標探索と効率的な経路計画のための新しい不確実性集約戦略を提案します。
私たちのシステムは、不確実な観測をターゲットにして自律的に探索し、驚くべき完全性と忠実度で環境を再構築します。
また、アクティブレイサンプリング戦略を通じてSOTAニューラルSLAMシステムを強化することにより、この不確実性を認識したアプローチの有用性を実証します。
屋内シーン シミュレーターを使用したさまざまな環境での NARUTO の広範な評価により、レプリカや MP3D などのベンチマーク データセットでの優れた結果によって証明されるように、アクティブな再構築における優れたパフォーマンスと最先端のステータスが確認されました。

要約(オリジナル)

We present NARUTO, a neural active reconstruction system that combines a hybrid neural representation with uncertainty learning, enabling high-fidelity surface reconstruction. Our approach leverages a multi-resolution hash-grid as the mapping backbone, chosen for its exceptional convergence speed and capacity to capture high-frequency local features.The centerpiece of our work is the incorporation of an uncertainty learning module that dynamically quantifies reconstruction uncertainty while actively reconstructing the environment. By harnessing learned uncertainty, we propose a novel uncertainty aggregation strategy for goal searching and efficient path planning. Our system autonomously explores by targeting uncertain observations and reconstructs environments with remarkable completeness and fidelity. We also demonstrate the utility of this uncertainty-aware approach by enhancing SOTA neural SLAM systems through an active ray sampling strategy. Extensive evaluations of NARUTO in various environments, using an indoor scene simulator, confirm its superior performance and state-of-the-art status in active reconstruction, as evidenced by its impressive results on benchmark datasets like Replica and MP3D.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google