Decomposition of Neural Discrete Representations for Large-Scale 3D Mapping

2024年07月22日
  • 简介
    学习本地特征的高效表示是特征体积为基础的三维神经映射中的一个关键挑战,尤其是在大规模环境中。本文介绍了一种基于分解策略的离散表示的存储高效的大规模三维映射方法——分解神经映射(DNMap)。该分解策略旨在通过将每个离散嵌入分解为跨越嵌入空间共享的组件向量,有效地捕捉形状的重复和代表性模式。我们的DNMap优化一组组件向量,而不是整个离散嵌入,并学习组合而不是索引离散嵌入。此外,为了补充映射质量,我们还学习了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特征体积相结合,我们的DNMap成功地近似了有符号距离函数,并压缩了特征体积,同时保持了映射质量。我们的源代码可在https://github.com/minseong-p/dnmap上获得。
  • 图表
  • 解决问题
    解决问题:论文提出了一种存储高效的大规模三维地图方法,旨在学习局部特征的有效表示,尤其是在大规模环境中。
  • 关键思路
    关键思路:论文采用分解策略的离散表示来捕捉重复的形状模式,并将每个离散嵌入分解为在嵌入空间中共享的组件向量,从而优化一组组件向量,而非整个离散嵌入,并学习组合而非索引离散嵌入。此外,论文还使用低分辨率连续嵌入来补充地图质量。
  • 其它亮点
    其他亮点:论文使用浅层神经网络和高效的八叉树特征体积,成功近似符号距离函数并压缩特征体积,同时保持映射质量。论文提供了开源代码。
  • 相关研究
    相关研究:最近的相关研究包括《Octree-Based Point-Cloud Compression Using Effective Bitrate Prediction》、《Efficient Neural 3D Mesh Reconstruction from Single RGB Images》等。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论