論文の概要: DQO-MAP: Dual Quadrics Multi-Object mapping with Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2503.02223v1
• Date: Tue, 04 Mar 2025 02:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:01.910274
• Title: DQO-MAP: Dual Quadrics Multi-Object mapping with Gaussian Splatting
• Title（参考訳）: DQO-MAP:ガウススプラッティングによる2重四分法多対象マッピング
• Authors: Haoyuan Li, Ziqin Ye, Yue Hao, Weiyang Lin, Chao Ye,
• Abstract要約: 本研究では,オブジェクトのポーズ推定と再構成をシームレスに統合する新しいオブジェクトSLAMシステムを提案する。 DQO-MAPは精度、再構成品質、計算効率の点で優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 6.736949053673975
• License:
• Abstract: Accurate object perception is essential for robotic applications such as object navigation. In this paper, we propose DQO-MAP, a novel object-SLAM system that seamlessly integrates object pose estimation and reconstruction. We employ 3D Gaussian Splatting for high-fidelity object reconstruction and leverage quadrics for precise object pose estimation. Both of them management is handled on the CPU, while optimization is performed on the GPU, significantly improving system efficiency. By associating objects with unique IDs, our system enables rapid object extraction from the scene. Extensive experimental results on object reconstruction and pose estimation demonstrate that DQO-MAP achieves outstanding performance in terms of precision, reconstruction quality, and computational efficiency. The code and dataset are available at: https://github.com/LiHaoy-ux/DQO-MAP.
• Abstract（参考訳）: オブジェクトナビゲーションのようなロボットアプリケーションには、正確なオブジェクト認識が不可欠である。 本稿では,オブジェクトのポーズ推定と再構成をシームレスに統合する新しいオブジェクトSLAMシステムであるDQO-MAPを提案する。 高忠実度オブジェクト再構成には3次元ガウススプラッティングを用い、精度の高いオブジェクトポーズ推定には2次を活用できる。 どちらの管理もCPU上で処理され、GPU上で最適化が行われ、システムの効率が大幅に向上する。 オブジェクトとユニークなIDを関連付けることで,シーンからオブジェクトを素早く抽出することが可能になる。 DQO-MAPは, 精度, 再現性, 計算効率において優れた性能を発揮することを示す。 コードとデータセットは、https://github.com/LiHaoy-ux/DQO-MAPで公開されている。

関連論文リスト

• GIC: Gaussian-Informed Continuum for Physical Property Identification and Simulation [60.33467489955188]
  本稿では,視覚的観察を通して物理特性(システム同定)を推定する問題について検討する。 物理特性推定における幾何学的ガイダンスを容易にするために,我々は新しいハイブリッドフレームワークを提案する。 本研究では,3次元ガウス点集合としてオブジェクトを復元する動き分解に基づく動的3次元ガウスフレームワークを提案する。 抽出された物体表面に加えて、ガウスインフォームド連続体はシミュレーション中の物体マスクのレンダリングを可能にする。
  論文  参考訳（メタデータ） (2024-06-21T07:37:17Z)
• VOOM: Robust Visual Object Odometry and Mapping using Hierarchical Landmarks [19.789761641342043]
  本稿では,ビジュアルオブジェクトのオドメトリとマッピングフレームワーク VOOM を提案する。 粗い方法で階層的なランドマークとして、高レベルのオブジェクトと低レベルのポイントを使用します。 VOOMはオブジェクト指向SLAMと特徴点SLAMシステムの両方をローカライゼーションで上回る。
  論文  参考訳（メタデータ） (2024-02-21T08:22:46Z)
• Uncertainty-aware 3D Object-Level Mapping with Deep Shape Priors [15.34487368683311]
  未知のオブジェクトに対して高品質なオブジェクトレベルマップを再構築するフレームワークを提案する。 提案手法では,複数のRGB-D画像を入力として,高密度な3次元形状と検出対象に対する9-DoFポーズを出力する。 2つの新たな損失関数を通して形状を伝播し不確実性を生じさせる確率的定式化を導出する。
  論文  参考訳（メタデータ） (2023-09-17T00:48:19Z)
• 3D Video Object Detection with Learnable Object-Centric Global Optimization [65.68977894460222]
  対応性に基づく最適化は3次元シーン再構成の基盤となるが、3次元ビデオオブジェクト検出では研究されていない。 オブジェクト中心の時間対応学習と特徴量付きオブジェクトバンドル調整を備えた、エンドツーエンドで最適化可能なオブジェクト検出器であるBA-Detを提案する。
  論文  参考訳（メタデータ） (2023-03-27T17:39:39Z)
• ZebraPose: Coarse to Fine Surface Encoding for 6DoF Object Pose Estimation [76.31125154523056]
  物体表面を高密度に表現できる離散ディスクリプタを提案する。 また,微粒化対応予測が可能な微粒化学習戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-17T16:16:24Z)
• Efficient 3D Deep LiDAR Odometry [16.388259779644553]
  PWCLO-Netという名前の効率的な3Dポイント・クラウド・ラーニング・アーキテクチャが最初に提案される。 アーキテクチャ全体は、コストボリュームとマスクの適応的な学習を実現するために、徹底的にエンドツーエンドに最適化されています。
  論文  参考訳（メタデータ） (2021-11-03T11:09:49Z)
• Object-Augmented RGB-D SLAM for Wide-Disparity Relocalisation [3.888848425698769]
  本稿では、一貫したオブジェクトマップを構築し、地図内のオブジェクトのセントロイドに基づいて再局在を行うことができるオブジェクト拡張RGB-D SLAMシステムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T11:02:25Z)
• Analysis of voxel-based 3D object detection methods efficiency for real-time embedded systems [93.73198973454944]
  本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。 実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。 この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
  論文  参考訳（メタデータ） (2021-05-21T12:40:59Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• OrcVIO: Object residual constrained Visual-Inertial Odometry [18.3130718336919]
  この研究は、構造化対象モデルに対する追跡と最適化と密結合した視覚慣性オドメトリーのためのOrcVIOを提示する。 OrcVIOの正確な軌道推定および大規模オブジェクトレベルのマッピング能力は実データを用いて評価する。
  論文  参考訳（メタデータ） (2020-07-29T21:01:37Z)

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。