본 논문은 LiDAR 측정값을 이용한 대규모 실외 환경의 정확하고 효율적인 3D 매핑 문제를 다룬다. 기존 최첨단 방법들은 고충실도 표면 생성을 위해 메모리 효율적인 신경망 표현에 초점을 맞추지만, 노이즈가 많고 산발적인 입력으로 인해 아티팩트가 발생하는 문제가 있다. 본 논문에서는 표면 매핑을 물리 기반 에너지 최적화 문제로 설정하여, 급격한 표면 융기를 억제하는 에너지 함수를 최적화함으로써 표면의 부드러움을 강화한다. 이를 위해, 표면 다양체의 부호화된 거리장(SDF)을 원시 LiDAR 점 구름으로부터 학습하는 심층 학습 기반 접근 방식을 제안한다. 이는 표면의 $L_2$-Hessian 에너지를 최적화하는 물리 기반 손실 함수를 사용한다. 계층적 옥트리 기반 입력 특징 인코딩과 다중 스케일 신경망을 포함하는 학습 프레임워크는 서로 다른 해상도 스케일에서 부호화된 거리장을 반복적으로 개선한다. 마지막으로, 생성된 메시에서 발생할 수 있는 위상 불일치 및 가장자리 왜곡을 수정하기 위한 테스트 시간 개선 전략을 소개한다. 특징을 보존하는 평활화를 강화하기 위해 정점 위치를 국부적으로 조정하는 CUDA 가속 최소 제곱 최적화를 제안한다. 대규모 실외 데이터셋에서 평가하여 정확성과 부드러움 측면에서 기존 최첨단 방법보다 우수한 성능을 보임을 입증한다. 코드는 GitHub에서 공개한다.
