CCNDF: Curvature Constrained Neural Distance Fields from 3D LiDAR Sequences

要約

ニューラル ディスタンス フィールド (NDF) は、3D コンピューター ビジョンおよびグラフィックスの下流の問題における課題に対処するための強力なツールとして登場しました。
さまざまな種類のセンサー データから NDF を学習する方法は大きく進歩しましたが、グラウンドトゥルース NDF は大規模な屋外シーンでは利用できないため、注意が必要な重要な側面はトレーニング中の神経フィールドの監視です。
これまでの研究では、さまざまな形式の予想符号付き距離を利用してモデル学習をガイドしてきました。
しかし、これらのアプローチは多くの場合、表面形状の重要な考慮事項にさらに注意を払う必要があり、小規模な実装に限定されます。
この目的を達成するために、神経場の学習を改善するために符号付き距離場の 2 次導関数を活用する新しい方法論を提案します。
私たちのアプローチは、符号付き距離を正確に推定することで制限に対処し、基礎となるジオメトリのより包括的な理解を提供します。
私たちの方法論の有効性を評価するために、NDF の主な応用分野であるマッピングと位置特定タスクの一般的な方法との比較評価を実施しました。
私たちの結果は、提案されたアプローチの優位性を実証し、コンピュータービジョンおよびグラフィックスアプリケーションにおける神経距離フィールドの機能を進歩させる可能性を強調しています。

要約(オリジナル)

Neural distance fields (NDF) have emerged as a powerful tool for addressing challenges in 3D computer vision and graphics downstream problems. While significant progress has been made to learn NDF from various kind of sensor data, a crucial aspect that demands attention is the supervision of neural fields during training as the ground-truth NDFs are not available for large-scale outdoor scenes. Previous works have utilized various forms of expected signed distance to guide model learning. Yet, these approaches often need to pay more attention to critical considerations of surface geometry and are limited to small-scale implementations. To this end, we propose a novel methodology leveraging second-order derivatives of the signed distance field for improved neural field learning. Our approach addresses limitations by accurately estimating signed distance, offering a more comprehensive understanding of underlying geometry. To assess the efficacy of our methodology, we conducted comparative evaluations against prevalent methods for mapping and localization tasks, which are primary application areas of NDF. Our results demonstrate the superiority of the proposed approach, highlighting its potential for advancing the capabilities of neural distance fields in computer vision and graphics applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google