NeuralBlox：用于鲁棒体素建图的实时神经表示融合
计算机视觉与模式识别
2023-08-08 v1 机器人学
摘要
我们提出了一种新的 3D 建图方法，利用神经隐式表示在 3D 重建中的最新进展。现有大多数最先进的神经隐式表示方法局限于物体级重建，且无法在给定新数据时增量执行更新。在本工作中，我们提出了一种融合策略和训练流程，以增量构建和更新神经隐式表示，从而能够从连续的部分观测中重建大场景。通过将任意大小的场景表示为潜在编码网格并直接在潜在空间中执行更新，我们表明即使在 CPU 上也能实时获得增量构建的占据图。与截断符号距离场 (TSDF) 等传统方法相比，在给定含噪输入时，我们的地图表示在产生更好的场景完整性方面具有显著更强的鲁棒性。我们在具有不同程度添加位姿噪声的真实世界数据集上进行了彻底的实验验证，展示了我们方法的性能。
引用
@article{arxiv.2110.09415,
title = {NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping},
author = {Stefan Lionar and Lukas Schmid and Cesar Cadena and Roland Siegwart and Andrei Cramariuc},
journal= {arXiv preprint arXiv:2110.09415},
year = {2023}
}
备注
3DV 2021. Equal contribution between the first two authors. Code: https://github.com/ethz-asl/neuralblox