Hrishikesh Viswanath, Md Ashiqur Rahman, Chi Lin, Damon Conover, Aniket Bera · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28598 · open-access PDF
신경 암시 표현은 대규모 LiDAR 장면에 대한 메모리 효율적인 서명 거리 필드 (SDF) 파라미터링을 제공하지만, 희귀하고 종종 시끄러운 입력에서 회복된 기하학은 진동과 유물을 가져옵니다. 고전적인 기하학 최적화 기술은 표면 에너지 기능을 사용하여 그러한 유물을 해결하며, 그 최소화자는 부드러운 표면에 해당합니다.이 원칙에 의해 동기를 부여, 우리는 신경 암시 표현의 파라미터 공간을 넘어 에너지 기능의 최적화로 신경 LiDAR 매핑을 공식화합니다.
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