SHINE-Mapping
SHINE-Mapping 以稀疏八元樹階層特徵格網搭配共用淺層 MLP，從已知位姿的 LiDAR 點雲學習符號距離場（SDF），並以正則化處理增量建圖的遺忘問題。它不做位姿估計，屬已知位姿下的建圖元件。作者用合成 MaiCity 與具 TLS 參考網格的 Newer College 評估，並以所有比較方法重建交集遮罩後的參考網格計算精度。
本頁內容
Learns an SDF in a sparse hierarchical octree of neural features from posed LiDAR scans for memory-efficient large-scale mapping.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 3D LiDAR |
|---|---|
| 原文測試平台 | vehicle、handheld |
| 狀態估計 | 不適用 (mapping with known poses) |
| 資料關聯 | SDF supervision from range measurements (binary cross-entropy on samples along rays) |
| 時間表示 | 不適用 |
| 去畸變 | 不適用 |
| 迴圈閉合 | none |
| 全域最佳化 | none |
| 地圖表示 | sparse octree-based hierarchical feature grid with a shared shallow MLP decoding SDF |
| 先驗資訊 | known sensor poses; for incremental mapping a pre-trained MLP is kept fixed |
| 可輸出幾何 | mesh via marching cubes on a fixed grid |
| 計算需求 | not reported: no hardware, runtime or frame rate is given; only map memory (Fig. 7 plot; 84 MB for an indoor floor at 3 cm leaf resolution, Sec. IV-E) |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| LiDAR | 64-beam LiDAR (simulated, noise-free) | 資料集感測器 | MaiCity | Synthetic scans of an urban scenario | (Zhong et al., 2023, Sec. IV-A) |
| LiDAR | handheld LiDAR (model not stated in the paper) | 資料集感測器 | Newer College | cm-level measurement noise and substantial motion distortion | (Zhong et al., 2023, Sec. IV-A) |
| 地面雷射掃描儀（TLS） | terrestrial scanner (model not stated in the paper) | 參考或真值量測 | Newer College | Provides the near ground truth mesh | (Zhong et al., 2023, Sec. IV-A) |
作者報告的優勢與限制
優勢
- More accurate, complete and memory-efficient reconstructions than Voxblox, VDB Fusion and Puma (Poisson-surface-based) on MaiCity/Newer College (abstract; Sec. IV-B; Tables II-III)
- Reasonable scene completion in occluded indoor areas without observations (Sec. IV-E)
限制
- Requires known poses (Sec. III)
- Incremental mode depends on a fixed pre-trained decoder to limit forgetting (Sec. III-A)
- Accuracy metric computed on a GT mesh masked by the intersection of all reconstructions (Sec. IV-B), which limits comparability with other papers (inference)
- No runtime or hardware is reported, so the online incremental claim is not quantified (whole paper; inference)
- Large-scale (KITTI, about 4 km) and forgetting results are qualitative only (Sec. IV-D; Fig. 1; Fig. 8)
營建工程相關證據
論文未在營建場域測試；室內示例為作者實驗室樓層（IPB office）。
原文驗證環境：模擬、公開基準、獨立參考量測
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 7 個比較組，合計 60 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 3 組列在最後，並連到性能比較頁。
Isaacson et al., 2023 · Table III 本方法 16 筆
表格設定（擷取紀錄原文）：Map accuracy and completion (m, mean nearest-point distances) and precision and recall at a 0.1 m threshold; meshes from each method sampled to point clouds, all clouds voxel-downsampled to 5 cm (1 cm for MCR), ground truth cropped to geometry observed by the sensor. SHINE Mapping used ground-truth poses. '-' = invalid configuration (accuracy and precision are '-' for every method on Canteen and Garden; NICE-SLAM '-' on Quad), x = failed (NICE-SLAM on Canteen and Garden, all metrics). (Isaacson et al., 2023, Table III)
Accuracy (mean distance estimated to ground truth)，Fusion Portable · MCR Slow 01
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Isaacson et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Isaacson et al., 2023, Table III)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| NICE-SLAM | 0.621 m | (Isaacson et al., 2023, Table III) |
| SHINE (ground-truth poses)本方法 | 0.164 m | (Isaacson et al., 2023, Table III) |
| LONER w./ L_CLONeR | 0.11 m | (Isaacson et al., 2023, Table III) |
| LONER w./ L_URF | 0.153 m | (Isaacson et al., 2023, Table III) |
| LONER原文提出 | 0.186 m | (Isaacson et al., 2023, Table III) |
Zhu et al., 2025 · Table V 本方法 10 筆
表格設定（擷取紀錄原文）：Mesh quality with ground-truth poses for all methods, voxel size 0.1 m, settings of SHINE-Mapping; distances in cm; completion ratio and F-score in % at 10 cm (Mai City) and 20 cm (Newer College) (Zhu et al., 2025, Table V)
Comp. (cm), completion，Mai City · Mai City
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Zhu et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Zhu et al., 2025, Table V)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| VDB Fusion [28] | 6.9 cm | (Zhu et al., 2025, Table V (VoR)) |
| Puma [13] | 32 cm | (Zhu et al., 2025, Table V (VoR)) |
| SHINE-Mapping [30]本方法 | 3.2 cm | (Zhu et al., 2025, Table V (VoR)) |
| SLAMesh [14] | 7.5 cm | (Zhu et al., 2025, Table V (VoR)) |
| Ours原文提出 | 2.5 cm | (Zhu et al., 2025, Table V (VoR)) |
Deng et al., 2023 · Table 1 本方法 8 筆
表格設定（擷取紀錄原文）：Simultaneous odometry and mapping; SHINE-Mapping and VDBFusion are fed KISS-ICP poses, NeRF-LOAM is shown with KISS-ICP poses and with its own odometry, Puma uses its own odometry; same voxel size for all; Newer College uses one of every five scans; accuracy, completion and Chamfer-L1 units not stated here (the same Newer College values are labelled cm in PIN-SLAM Table XI) (Deng et al., 2023, Table 1)
Map. Acc.，MaiCity
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Deng et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Deng et al., 2023, Table 1)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| SHINE [50] with KissICP poses本方法 | 5.75 | (Deng et al., 2023, Table 1) |
| Vdbfusion [37] with KissICP poses | 4.95 | (Deng et al., 2023, Table 1) |
| Ours with KissICP poses原文提出 | 4.16 | (Deng et al., 2023, Table 1) |
| Puma [36] with own odometry | 7.89 | (Deng et al., 2023, Table 1) |
| Ours with own odometry原文提出 | 5.69 | (Deng et al., 2023, Table 1) |
Deng et al., 2023 · Table 2 本方法 8 筆
表格設定（擷取紀錄原文）：Mapping quality with ground-truth poses for all methods (pure mapping ability); voxel size 20 cm; caption states F-score in % with a 10 cm threshold (Deng et al., 2023, Table 2)
Map. Acc.，MaiCity
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Deng et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Deng et al., 2023, Table 2)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| SHINE [50] with GT pose本方法 | 4.17 | (Deng et al., 2023, Table 2) |
| Vdbfusion [37] with GT pose | 4.12 | (Deng et al., 2023, Table 2) |
| Ours with GT pose原文提出 | 3.15 | (Deng et al., 2023, Table 2) |
其他比較組
來源
Zhong et al., 2023
（2023）SHINE-Mapping: Large-Scale 3D Mapping Using Sparse Hierarchical Implicit Neural Representations2023 IEEE International Conference on Robotics and Automation (ICRA), pp. 8371-8377
DOI 10.1109/icra48891.2023.10160907arXiv 2210.02299程式碼
同儕審查已出版已讀全文近十年查證後修正
相關版本
- 預印本：arXiv:2210.02299 https://arxiv.org/abs/2210.02299
程式碼：https://github.com/PRBonn/SHINE_mapping（授權：MIT）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。