Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 신경 암시적 표현을 활용하여 LiDAR 매핑의 기하학적 아티팩트와 지터를 해결하는 방법을 제안합니다. SDF를 곡률 기반 에너지 함수자로 정규화함으로써, 대규모 LiDAR 맵에서도 표면의 부드러움을 효과적으로 장려하며 높은 재구성 품질을 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기신경 암시적 표현(Neural implicit representations)은 대규모 LiDAR 장면의 메모리 효율적인 부호 거리 함수(signed distance field, SDF) 매개변수화를 제공하지만, 희소하고 종종 노이즈가 많은 입력으로부터 복구된 기하학은 지터(jitter)와 아티팩트(artifacts)를 포함합니다. 고전적인 기하학적 최적화 기법은 표면 에너지 함수자(surface energy functionals)를 사용하여 이러한 아티팩트를 해결하며, 이 함수의 최소화값은 부드러운 표면에 해당합니다. 이러한 원리에서 영감을 받아, 우리는 신경 LiDAR 매핑을 신경 암시적 표현의 매개변수 공간에 걸친 에너지 함수자의 최적화로 공식화합니다. 구체적으로, 우리는 SDF를 그 레벨 집합(level set)의 모양 연산자(shape operator)에 정의된 에너지 함수자로 정규화하여, 이는 표면의 곡률을 나타내며, 따라서 표면을 따라 부드러움을 장려합니다. 이는 고전적인 기하학적 사전 지식(geometric priors)을 수백만 포인트 LiDAR 맵의 규모로 적용하는 것입니다. 대규모 데이터셋에 대한 실험 결과는 기하학적 충실도를 유지하면서도 개선된 부드러함을 가진 재구성을 보여주었으며, 추가적인 추론 시간 비용은 없습니다. 코드는
https://github.com/HrishikeshVish/nieo에서 공개적으로 이용 가능합니다.