H3-Mapping: Quasi-Heterogeneous Feature Grids for Real-time Dense Mapping Using Hierarchical Hybrid Representation

要約

近年、暗黙的なオンライン高密度マッピング手法により高品質の再構成結果が得られ、ロボット工学、AR/VR、デジタル ツイン アプリケーションにおける大きな可能性が示されています。
ただし、既存の方法は、リアルタイムのパフォーマンスを制限する遅いテクスチャ モデリングに苦労しています。
これらの制限に対処するために、私たちは、より高速で高品質な再構成を可能にする NeRF ベースの高密度マッピング手法を提案します。
テクスチャ モデリングを改善するために、疑似異種フィーチャ グリッドを導入します。これは、テクスチャの複雑さのさまざまなレベルに適応しながら、均一フィーチャ グリッドの高速クエリ機能を継承します。
さらに、キーフレーム選択のための勾配支援カバレッジ最大化戦略を提案します。これにより、選択されたキーフレームがリッチテクスチャ領域にさらに重点を置き、弱いテクスチャ領域に対してより広い範囲を示すことができます。
実験結果は、私たちの方法がテクスチャの忠実度、ジオメトリの精度、時間の消費において既存の NeRF ベースのアプローチを上回っていることを示しています。
私たちのメソッドのコードは、https://github.com/SYSU-STAR/H3-Mapping で入手できます。

要約(オリジナル)

In recent years, implicit online dense mapping methods have achieved high-quality reconstruction results, showcasing great potential in robotics, AR/VR, and digital twins applications. However, existing methods struggle with slow texture modeling which limits their real-time performance. To address these limitations, we propose a NeRF-based dense mapping method that enables faster and higher-quality reconstruction. To improve texture modeling, we introduce quasi-heterogeneous feature grids, which inherit the fast querying ability of uniform feature grids while adapting to varying levels of texture complexity. Besides, we present a gradient-aided coverage-maximizing strategy for keyframe selection that enables the selected keyframes to exhibit a closer focus on rich-textured regions and a broader scope for weak-textured areas. Experimental results demonstrate that our method surpasses existing NeRF-based approaches in texture fidelity, geometry accuracy, and time consumption. The code for our method will be available at: https://github.com/SYSU-STAR/H3-Mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google