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

要約

大規模な環境の正確なマッピングは、ほとんどの屋外自律型システムにとって不可欠な構成要素である。従来のマッピング手法の課題には、メモリ消費量とマッピング精度のバランスがある。本論文では、3D LiDARの測定値を用いた陰的表現による大規模3D再構成を実現するための問題に取り組む。我々は、スパースで拡張可能な八進ベースの階層構造を通して暗黙の特徴を学習し、保存する。この特徴は、浅いニューラルネットワークを通して、符号付き距離値に変換することができる。我々は、3次元計測を監視として、局所特徴を最適化するために、2値クロスエントロピー損失を利用する。我々の暗黙的表現に基づき、継続的学習における壊滅的忘却の問題に対処するため、正則化を用いた漸進的マッピングシステムを設計する。実験により、我々の3D再構成は、現在の最先端の3Dマッピング手法よりも正確で、完全で、メモリ効率が良いことが示された。

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 problems of achieving large-scale 3D reconstructions with implicit representations using 3D LiDAR measurements. We learn and store implicit features through an octree-based hierarchical structure, which is sparse and extensible. The 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 catastrophic 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, DeepL