Hrishikesh Viswanath, Md Ashiqur Rahman, Chi Lin, Damon Conover, Aniket Bera · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28598 · open-access PDF
تتيح الإشارات العاطفية المباشرة تقييمات المساحة المذكورة (SDF) ذات كفاءة الذاكرة لمواقع LiDAR الكبيرة، ولكن التقييمات الجغرافية التي يتم استردادها من الملفات القليلة والمتكررة غالباً ما تؤدي إلى الارتباك والإنجازات. تتيح تقنيات تحسين الجغرافيا العاطفية الكلاسيكية الكلاسيكية حل هذه الإشارات مع وظائف الطاقة السطحية التي تتوافق مع المساحة المباشرة المباشرة.
Machine translation (Meta M2M100); the English original follows.
Neural implicit representations provide memory-efficient signed distance field (SDF) parameterizations for large-scale LiDAR scenes, but the geometry recovered from sparse and often noisy inputs carries jitter and artifacts. Classical geometric optimization techniques resolve such artifacts with surface energy functionals, whose minimizers correspond to smooth surfaces. Motivated by this principle, we formulate neural LiDAR mapping as the optimization of energy functionals over the parameter space of neural implicit representations. Specifically, we regularize the signed distance field with an
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28598, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange