Fugu-MT 論文翻訳(概要): NeRF and Gaussian Splatting SLAM in the Wild

論文の概要: NeRF and Gaussian Splatting SLAM in the Wild

arxiv url: http://arxiv.org/abs/2412.03263v1
Date: Wed, 04 Dec 2024 12:11:19 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-05 15:09:07.409439
Title: NeRF and Gaussian Splatting SLAM in the Wild
Title（参考訳）: 野生におけるNeRFおよびGaussian Splatting SLAM
Authors: Fabian Schmidt, Markus Enzweiler, Abhinav Valada,
Abstract要約: 本研究は, カメラトラッキングの精度, 環境要因に対する堅牢性, 計算効率に焦点をあて, 異なるトレードオフを浮き彫りにしている。ニューラルSLAM法は、特に低光のような困難な条件下では、高い計算コストで優れた堅牢性を達成する。伝統的な手法は季節を通じて最高に機能するが、照明条件の変化に非常に敏感である。
参考スコア（独自算出の注目度）: 9.516289996766059
License:
Abstract: Navigating outdoor environments with visual Simultaneous Localization and Mapping (SLAM) systems poses significant challenges due to dynamic scenes, lighting variations, and seasonal changes, requiring robust solutions. While traditional SLAM methods struggle with adaptability, deep learning-based approaches and emerging neural radiance fields as well as Gaussian Splatting-based SLAM methods, offer promising alternatives. However, these methods have primarily been evaluated in controlled indoor environments with stable conditions, leaving a gap in understanding their performance in unstructured and variable outdoor settings. This study addresses this gap by evaluating these methods in natural outdoor environments, focusing on camera tracking accuracy, robustness to environmental factors, and computational efficiency, highlighting distinct trade-offs. Extensive evaluations demonstrate that neural SLAM methods achieve superior robustness, particularly under challenging conditions such as low light, but at a high computational cost. At the same time, traditional methods perform the best across seasons but are highly sensitive to variations in lighting conditions. The code of the benchmark is publicly available at https://github.com/iis-esslingen/nerf-3dgs-benchmark.
Abstract（参考訳）: 視覚的同時局在マッピング(SLAM)システムによる屋外環境のナビゲーションは、動的シーン、照明の変動、季節変化などによる大きな課題を生じさせ、堅牢なソリューションを必要としている。従来のSLAMメソッドは、適応性、ディープラーニングベースのアプローチ、新しいニューラルラディアンスフィールド、およびガウススプラッティングベースのSLAMメソッドと競合するが、有望な代替手段を提供する。しかし, これらの手法は, 安定な環境下での制御環境において評価され, 未構造化で可変な屋外環境での性能の差が残っている。本研究では、これらの手法を自然の屋外環境で評価し、カメラ追跡精度、環境要因に対する堅牢性、計算効率に着目し、異なるトレードオフを強調した。広範囲な評価は、特に低光のような困難な条件下では、高い計算コストで、神経SLAM法が優れた堅牢性を達成することを示した。同時に、伝統的な手法は季節にまたがって最高の働きをするが、照明条件の変動に非常に敏感である。ベンチマークのコードはhttps://github.com/iis-esslingen/nerf-3dgs-benchmarkで公開されている。

関連論文リスト

DeepArUco++: Improved detection of square fiducial markers in challenging lighting conditions [3.783609886054562]
フィデューシャルマーカー(Fiducial marker)は、オブジェクトのポーズ推定と検出に使用されるコンピュータビジョンツールである。 DeepArUco++は、困難な照明条件下でマーカー検出とデコードを実行するフレームワークである。システム評価に使用する照明条件に挑戦するために,第2のArUcoマーカーのリアルタイムデータセットを提示する。
論文参考訳（メタデータ） (2024-11-08T13:18:31Z)
QueensCAMP: an RGB-D dataset for robust Visual SLAM [0.0]
本稿では,VSLAMシステムのロバスト性を評価するために設計された新しいRGB-Dデータセットを提案する。データセットは、動的オブジェクト、動きのぼかし、様々な照明を備えた現実世界の屋内シーンで構成されている。我々は、任意の画像にカメラ障害を注入するためのオープンソースのスクリプトを提供し、さらなるカスタマイズを可能にします。
論文参考訳（メタデータ） (2024-10-16T12:58:08Z)
SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
論文参考訳（メタデータ） (2024-04-17T14:23:28Z)
DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
論文参考訳（メタデータ） (2024-01-17T12:08:30Z)
Implicit Event-RGBD Neural SLAM [54.74363487009845]
神経性SLAMは近年顕著な進歩を遂げている。既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
論文参考訳（メタデータ） (2023-11-18T08:48:58Z)
Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
論文参考訳（メタデータ） (2022-04-21T14:40:32Z)
Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文参考訳（メタデータ） (2021-05-03T07:23:39Z)
LIFT-SLAM: a deep-learning feature-based monocular visual SLAM method [0.0]
従来のジオメトリベースのVSLAMと深層学習に基づく特徴記述子の可能性を組み合わせることを提案する。 KITTIとEurocのデータセットを用いた実験では、ディープラーニングが従来のVSLAMシステムの性能向上に有効であることが示されている。
論文参考訳（メタデータ） (2021-03-31T20:35:10Z)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文参考訳（メタデータ） (2020-11-02T18:02:26Z)
Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文参考訳（メタデータ） (2020-08-06T08:23:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。