神经离散表示的分解用于大规模3D地图
计算机视觉与模式识别
2024-07-23 v1
摘要
在基于特征体积的3D神经地图中，学习局部特征的有效表示是大规模环境中的关键挑战。本文引入基于分解的神经映射（DNMap），这是一种存储高效的大规模3D地图方法，采用基于分解策略的离散表示。该分解策略旨在通过分解每个离散嵌入为跨越嵌入空间的组件向量，来高效捕获形状的重复性和代表性模式。DNMap 优化的是一组组件向量，而非整个离散嵌入，并学习构成而非索引离散嵌入。此外，为补充映射质量，我们额外学习需要极小存储空间的低分辨率连续嵌入。通过将这些表示与浅层神经网络和高效的八叉树基于特征体积的 DNMap 成功近似符号距离函数，并在保持映射质量的同时压缩特征体积。我们的源代码可在 https://github.com/minseong-p/dnmap 上获得。
引用
@article{arxiv.2407.15554,
title = {Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping},
author = {Minseong Park and Suhan Woo and Euntai Kim},
journal= {arXiv preprint arXiv:2407.15554},
year = {2024}
}
备注
ECCV 2024