Newest papers

Neural Implicit Energy Optimization for LiDAR Mapping

Hrishikesh Viswanath, Md Ashiqur Rahman, Chi Lin, Damon Conover, Aniket Bera · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28598 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Нейронные имплицитные представления обеспечивают память-эффективные подписные дистанционные поля (SDF) параметризации для масштабных сцен LiDAR, но геометрия, восстановленная от скудных и часто шумных входов несет шум и артефакты. Классические методы геометрической оптимизации разрешают такие артефакты с поверхностными энергетическими функциями, минимизаторы которых соответствуют гладким поверхностям. Мотивированные этим принципом, мы формулируем нейронное LiDAR-картографирование как оптимизацию энергетических функций по параметру пространства нейронных имплицитных представлений. В частности, мы регулируем подписные дистанционные поля с энергетической функциональностью, определенной на операторе формы его набора уровня, который представляет искри

Machine translation (Meta M2M100); the English original follows.

Abstract

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 energy functional defined on the shape operator of its level set, which represents the curvature of the surface, thus encouraging smoothness along the surface. This adapts classical geometric priors to the scale of million-point LiDAR maps. Experiments on large-scale datasets show reconstructions with improved smoothness at preserved geometric fidelity, and no additional inference-time cost. The code is publicly available at \href{https://github.com/HrishikeshVish/nieo}{https://github.com/HrishikeshVish/nieo}

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Lidar, Smoothness, Energy (signal processing), Curvature, Signed distance function, Artificial neural network

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange