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

Vietnamese

Biểu tượng ngụ ý thần kinh cung cấp bộ nhớ hiệu quả ký hiệu khoảng cách trường (SDF) tham số cho các cảnh LiDAR quy mô lớn, nhưng hình học phục hồi từ các đầu vào hiếm và thường ồn ào mang lại rắc rối và hiện vật. Kỹ thuật tối ưu hóa hình học cổ điển giải quyết các hiện vật như vậy với các chức năng năng năng lượng bề mặt, những người tối thiểu hóa tương ứng với bề mặt mịn. Được thúc đẩy bởi nguyên tắc này, chúng tôi xây dựng bản đồ LiDAR thần kinh như là tối ưu hóa các chức năng năng năng trên không gian tham số của các đại diện thần kinh ngụ ý. Đặc biệt, weize điều chỉnh trường khoảng cách ký hiệu với một chức năng năng được xác định trên các nhà điều hành hình dạng của thiết lập cấp độ của nó, đại diện cho độ cong của bề mặt, do đó khuyến khích

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