論文の概要: GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization

• arxiv url: http://arxiv.org/abs/2501.13417v1
• Date: Thu, 23 Jan 2025 06:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:40.291857
• Title: GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization
• Title（参考訳）: GeomGS: LiDARでガイドされた幾何学-ロボットのローカライゼーションのためのガウススプレイティング
• Authors: Jaewon Lee, Mangyu Kong, Minseong Park, Euntai Kim,
• Abstract要約: 我々はGeomGS(Geometry-Aware Gaussian Splatting)と呼ばれる新しい3DGS法を提案する。 我々のGeomGSは、幾何および局所化性能をいくつかのベンチマークで示すとともに、測光性能も改善している。
• 参考スコア（独自算出の注目度）: 20.26969580492428
• License:
• Abstract: Mapping and localization are crucial problems in robotics and autonomous driving. Recent advances in 3D Gaussian Splatting (3DGS) have enabled precise 3D mapping and scene understanding by rendering photo-realistic images. However, existing 3DGS methods often struggle to accurately reconstruct a 3D map that reflects the actual scale and geometry of the real world, which degrades localization performance. To address these limitations, we propose a novel 3DGS method called Geometry-Aware Gaussian Splatting (GeomGS). This method fully integrates LiDAR data into 3D Gaussian primitives via a probabilistic approach, as opposed to approaches that only use LiDAR as initial points or introduce simple constraints for Gaussian points. To this end, we introduce a Geometric Confidence Score (GCS), which identifies the structural reliability of each Gaussian point. The GCS is optimized simultaneously with Gaussians under probabilistic distance constraints to construct a precise structure. Furthermore, we propose a novel localization method that fully utilizes both the geometric and photometric properties of GeomGS. Our GeomGS demonstrates state-of-the-art geometric and localization performance across several benchmarks, while also improving photometric performance.
• Abstract（参考訳）: マッピングとローカライゼーションは、ロボット工学と自動運転において重要な問題である。 近年の3次元ガウス散乱(3DGS)の進歩により、写真リアル画像の描画による正確な3次元マッピングとシーン理解が可能になった。 しかし、既存の3DGS法は、実世界の実際のスケールと幾何学を反映した3Dマップの正確な再構築に苦慮し、ローカライゼーション性能を低下させる。 これらの制約に対処するため,GeomGS(Geometry-Aware Gaussian Splatting)と呼ばれる新しい3DGS手法を提案する。 この方法は,初期点としてのみLiDARを使用するアプローチや,ガウス点に対する単純な制約を導入するアプローチとは対照的に,確率論的アプローチによって3次元ガウス原始体にLiDARデータを完全に統合する。 この目的のために、各ガウス点の構造的信頼性を識別するGeometric Confidence Score (GCS)を導入する。 GCSは確率的距離制約の下でガウスと同時に最適化され、正確な構造を構築する。 さらに,GeomGSの幾何学的特性と測光的特性を両立させる新しいローカライゼーション手法を提案する。 我々のGeomGSは、幾何および局所化性能をいくつかのベンチマークで示すとともに、測光性能も改善している。

関連論文リスト

• Quadratic Gaussian Splatting for Efficient and Detailed Surface Reconstruction [7.500927135156425]
  Quadratic Gaussian Splatting (QGS) は、円盤を二次曲面に置き換える新しい方法である。 QGSは、通常の一貫性項を導くために空間曲率を描画し、過剰な平滑化を効果的に低減する。 私たちのコードはオープンソースとしてリリースされます。
  論文  参考訳（メタデータ） (2024-11-25T13:55:00Z)
• GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
  GeoSplattingは、3DGSを明示的な幾何学的ガイダンスと微分可能なPBR方程式で拡張する新しいハイブリッド表現である。 多様なデータセットにわたる総合的な評価は、GeoSplattingの優位性を示している。
  論文  参考訳（メタデータ） (2024-10-31T17:57:07Z)
• Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
  3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。 その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。 正規化として有効ランクを導入し、ガウスの構造を制約する。
  論文  参考訳（メタデータ） (2024-06-17T15:51:59Z)
• Trim 3D Gaussian Splatting for Accurate Geometry Representation [72.00970038074493]
  画像から正確な3次元形状を復元するためにTrim 3D Gaussian Splatting (TrimGS)を導入する。 実験および理論的解析により、比較的小さなガウススケールが複雑な詳細を表現・最適化する非無視因子であることが判明した。 元の3DGSと最先端の2DGSと組み合わせると、TrimGSは一貫してより正確な幾何学と高い知覚品質が得られる。
  論文  参考訳（メタデータ） (2024-06-11T17:34:46Z)
• RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
  Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。 本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
  論文  参考訳（メタデータ） (2024-06-03T15:56:58Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
  3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。 本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。 提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
  論文  参考訳（メタデータ） (2024-02-22T16:00:20Z)

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。