Reg-NF：神经场中隐式曲面的高效配准
机器人学
2024-02-16 v1 人工智能
计算机视觉与模式识别
摘要
神经场是基于坐标的神经网络，最近因隐式表示场景而受到欢迎。与基于点云等显式表示的经典方法相比，神经场提供了连续的场景表示，能够以紧凑的方式表示 3D 几何和外观，这对于机器人应用非常理想。然而，现有的先前方法很少研究通过直接利用这些连续的隐式表示来配准多个神经场。在本文中，我们提出了 Reg-NF，一种基于神经场的配准方法，它优化两个任意神经场之间的相对 6-DoF 变换，即使这两个场具有不同的比例因子。Reg-NF 的关键组件包括双向配准损失、多视图曲面采样以及体积有符号距离函数（SDFs）的利用。我们在一个新的神经场数据集上展示了我们的方法，用于评估配准问题。我们提供了一套详尽的实验和消融研究来确定我们方法的性能，同时讨论了其局限性，为研究界在无约束环境中利用神经场的开放挑战提供未来方向。
引用
@article{arxiv.2402.09722,
title = {Reg-NF: Efficient Registration of Implicit Surfaces within Neural Fields},
author = {Stephen Hausler and David Hall and Sutharsan Mahendren and Peyman Moghadam},
journal= {arXiv preprint arXiv:2402.09722},
year = {2024}
}
备注
Accepted to ICRA 2024. The first two authors contributed equally