論文の概要: Robust and High-Fidelity 3D Gaussian Splatting: Fusing Pose Priors and Geometry Constraints for Texture-Deficient Outdoor Scenes

• arxiv url: http://arxiv.org/abs/2511.06765v1
• Date: Mon, 10 Nov 2025 06:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.120893
• Title: Robust and High-Fidelity 3D Gaussian Splatting: Fusing Pose Priors and Geometry Constraints for Texture-Deficient Outdoor Scenes
• Title（参考訳）: ロバストで高忠実な3Dガウススメッティング--テクスチュアな屋外シーンにおけるポーズ優先と幾何学的制約-
• Authors: Meijun Guo, Yongliang Shi, Caiyun Liu, Yixiao Feng, Ming Ma, Tinghai Yan, Weining Lu, Bin Liang,
• Abstract要約: 3D Gaussian Splatting (3DGS)は、デジタルアセット作成のための重要なレンダリングパイプラインとして登場した。 不安定なポーズ推定とシーン表現歪みの問題に対処するため,2つの側面からこの問題にアプローチする。 ポーズ推定にはLiDAR-IMUオドメトリーを用い,大規模環境下でカメラに事前ポーズを提供する。 シーン表現には、正規ベクトル制約と効果的なランク正規化を導入し、ガウス原始体の方向と形状の整合性を強制する。
• 参考スコア（独自算出の注目度）: 10.279549537925062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a key rendering pipeline for digital asset creation due to its balance between efficiency and visual quality. To address the issues of unstable pose estimation and scene representation distortion caused by geometric texture inconsistency in large outdoor scenes with weak or repetitive textures, we approach the problem from two aspects: pose estimation and scene representation. For pose estimation, we leverage LiDAR-IMU Odometry to provide prior poses for cameras in large-scale environments. These prior pose constraints are incorporated into COLMAP's triangulation process, with pose optimization performed via bundle adjustment. Ensuring consistency between pixel data association and prior poses helps maintain both robustness and accuracy. For scene representation, we introduce normal vector constraints and effective rank regularization to enforce consistency in the direction and shape of Gaussian primitives. These constraints are jointly optimized with the existing photometric loss to enhance the map quality. We evaluate our approach using both public and self-collected datasets. In terms of pose optimization, our method requires only one-third of the time while maintaining accuracy and robustness across both datasets. In terms of scene representation, the results show that our method significantly outperforms conventional 3DGS pipelines. Notably, on self-collected datasets characterized by weak or repetitive textures, our approach demonstrates enhanced visualization capabilities and achieves superior overall performance. Codes and data will be publicly available at https://github.com/justinyeah/normal_shape.git.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、その効率性と視覚的品質のバランスのために、デジタルアセット作成のための重要なレンダリングパイプラインとして登場した。 本研究では, ポーズ推定とシーン表現という2つの側面から, 形状的テクスチャの不整合に起因する不安定なポーズ推定とシーン表現の歪みに対処する。 ポーズ推定にはLiDAR-IMUオドメトリーを用い,大規模環境下でカメラに事前ポーズを提供する。 これらの事前ポーズ制約は、COLMAPの三角法プロセスに組み込まれ、バンドル調整によるポーズ最適化が行われる。 ピクセルデータアソシエーションと事前ポーズの一貫性を保証することは、堅牢性と正確性の両方を維持するのに役立つ。 シーン表現には、正規ベクトル制約と効果的なランク正規化を導入し、ガウス原始体の方向と形状の整合性を強制する。 これらの制約は、マップの品質を高めるために、既存の測光損失と共同で最適化される。 我々は、パブリックデータセットとセルフコレクションデータセットの両方を用いて、我々のアプローチを評価する。 ポーズ最適化に関しては,両データセット間の精度とロバスト性を維持しつつ,時間の3分の1しか必要としない。 シーン表現では,従来の3DGSパイプラインよりも有意に優れていた。 特に、弱いテクスチャや反復的なテクスチャを特徴とする自己収集データセットでは、可視化能力の向上と全体的な性能の向上が図られている。 コードとデータはhttps://github.com/justinyeah/normal_shape.git.comで公開されている。

関連論文リスト

• SPFSplatV2: Efficient Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views [18.814209805277503]
  スパース多視点画像から3次元ガウススプラッティングを行うための効率的なフィードフォワードフレームワークであるSPFSplatV2について述べる。 ドメイン内およびドメイン外の新規ビュー合成において、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-21T21:37:56Z)
• Hi^2-GSLoc: Dual-Hierarchical Gaussian-Specific Visual Relocalization for Remote Sensing [6.997091164331322]
  リモートセンシングやUAVアプリケーションには、視覚的再ローカライゼーションが不可欠である。 画像に基づく検索とポーズ回帰アプローチは精度に欠ける。 スパース・トゥ・デンス(sparse-to-dense)と粗粒度(arse-to-fine)のパラダイムに従う二重階層的再ローカライゼーションフレームワークである$mathrmHi2$-GSLocを紹介した。
  論文  参考訳（メタデータ） (2025-07-21T14:47:56Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• Pose-free 3D Gaussian splatting via shape-ray estimation [22.44197443080198]
  ポーズフリーでフィードフォワードのガウススプレイティングフレームワークであるSHAREを紹介する。 明示的な3D変換に頼る代わりに、SHAREはポーズ対応の標準ボリューム表現を構築する。 実世界の多様なデータセットに対する実験により,本手法が堅牢な性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-05-29T01:34:40Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)

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。