HessianForge：基于物理先验神经表示与平滑能量约束的可扩展 LiDAR 重建
图形学
2025-03-13 v1 人工智能
计算机视觉与模式识别
机器学习
机器人学
图像与视频处理
摘要
基于 LiDAR 测量对大规模室外环境进行准确且高效的 3D 建图是机器人领域的一项基本挑战，尤其是在确保平滑且无伪影的表面重建方面。尽管 state-of-the-art 方法专注于用于高保真表面生成的内存高效神经表示，但它们往往无法产生无伪影的流形，伪影是由于输入的噪声和稀疏性而产生的。为了解决这个问题，我们将表面建图构建为一个物理先验能量优化问题，通过优化惩罚尖锐表面脊线的能量泛函来强制表面平滑。具体而言，我们提出了一种基于深度学习的方法，使用优化表面 -Hessian 能量的物理先验损失函数，从原始 LiDAR 点云中学习表面流形的符号距离场 (SDF)。我们的学习框架包括基于分层八叉树的输入特征编码和多尺度神经网络，以在不同分辨率尺度上迭代地细化符号距离场。最后，我们引入了一种测试时细化策略，以纠正生成的网格中可能出现的拓扑不一致和边缘失真。我们提出了一种 \texttt{CUDA} 加速的最小二乘优化，通过局部调整顶点位置来强制执行保持特征的平滑。我们在大规模室外数据集上评估了我们的方法，并证明我们的方法在改善精度和平滑度方面优于当前 state-of-the-art 方法。我们的代码可在 \href{https://github.com/HrishikeshVish/HessianForge/}{https://github.com/HrishikeshVish/HessianForge/} 获取。
引用
@article{arxiv.2503.08929,
title = {HessianForge: Scalable LiDAR reconstruction with Physics-Informed Neural Representation and Smoothness Energy Constraints},
author = {Hrishikesh Viswanath and Md Ashiqur Rahman and Chi Lin and Damon Conover and Aniket Bera},
journal= {arXiv preprint arXiv:2503.08929},
year = {2025}
}