基于层次不确定性量化的主动高保真3D重建
机器人学
2025-11-26 v1
摘要
本文提出一种用于高保真3D重建的主动探索框架，逐步构建多层次不确定性空间，并通过基于不确定性的运动规划器选择下一个最佳视图。我们引入一种混合隐式-显式表示，将神经场与高斯原始值融合，以联合捕获全局结构先验和局部观察细节。基于该混合状态，我们推导出层次不确定性体积，量化隐式全局结构质量和显式局部表面置信度。为聚焦于最具信息性的区域，我们提出了基于不确定性的关键帧选择策略，将高熵视图锚定为稀疏注意力节点，搭配用于不确定性感知的视图空间滑动窗口进行局部细化。规划模块将下一个最佳视图选择问题形式化为期望混合信息增益问题，并纳入风险敏感路径规划器，以确保高效和安全的探索。广泛的实验表明，我们的方法在具有挑战性的基准测试中持续实现最先进的精度、完整性和渲染质量，凸显其对于现实世界主动重建和机器人感知任务的有效性。
引用
@article{arxiv.2511.20050,
title = {Active3D: Active High-Fidelity 3D Reconstruction via Hierarchical Uncertainty Quantification},
author = {Yan Li and Yingzhao Li and Gim Hee Lee},
journal= {arXiv preprint arXiv:2511.20050},
year = {2025}
}