論文の概要: D$^2$GSLAM: 4D Dynamic Gaussian Splatting SLAM

• arxiv url: http://arxiv.org/abs/2512.09411v1
• Date: Wed, 10 Dec 2025 08:12:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.252694
• Title: D$^2$GSLAM: 4D Dynamic Gaussian Splatting SLAM
• Title（参考訳）: D$^2$GSLAM: 4次元動的ガウス散乱SLAM
• Authors: Siting Zhu, Yuxiang Huang, Wenhua Wu, Chaokang Jiang, Yongbo Chen, I-Ming Chen, Hesheng Wang,
• Abstract要約: D$2$GSLAMは、動的環境内で正確な動的再構成とロバストな追跡を同時に行う新しい動的SLAMシステムである。 私たちのシステムは4つのキーコンポーネントで構成されています。
• 参考スコア（独自算出の注目度）: 23.45880259388583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Dense Simultaneous Localization and Mapping (SLAM) have demonstrated remarkable performance in static environments. However, dense SLAM in dynamic environments remains challenging. Most methods directly remove dynamic objects and focus solely on static scene reconstruction, which ignores the motion information contained in these dynamic objects. In this paper, we present D$^2$GSLAM, a novel dynamic SLAM system utilizing Gaussian representation, which simultaneously performs accurate dynamic reconstruction and robust tracking within dynamic environments. Our system is composed of four key components: (i) We propose a geometric-prompt dynamic separation method to distinguish between static and dynamic elements of the scene. This approach leverages the geometric consistency of Gaussian representation and scene geometry to obtain coarse dynamic regions. The regions then serve as prompts to guide the refinement of the coarse mask for achieving accurate motion mask. (ii) To facilitate accurate and efficient mapping of the dynamic scene, we introduce dynamic-static composite representation that integrates static 3D Gaussians with dynamic 4D Gaussians. This representation allows for modeling the transitions between static and dynamic states of objects in the scene for composite mapping and optimization. (iii) We employ a progressive pose refinement strategy that leverages both the multi-view consistency of static scene geometry and motion information from dynamic objects to achieve accurate camera tracking. (iv) We introduce a motion consistency loss, which leverages the temporal continuity in object motions for accurate dynamic modeling. Our D$^2$GSLAM demonstrates superior performance on dynamic scenes in terms of mapping and tracking accuracy, while also showing capability in accurate dynamic modeling.
• Abstract（参考訳）: 近年のDense Simultaneous Localization and Mapping (SLAM) は静的環境において顕著な性能を示した。 しかし、動的環境における高密度SLAMは依然として困難である。 ほとんどのメソッドは、動的オブジェクトを直接削除し、静的なシーン再構成のみにフォーカスする。 本稿では,ガウス表現を用いた新しい動的SLAMシステムD$^2$GSLAMを提案する。 私たちのシステムは4つのキーコンポーネントで構成されています。 i) シーンの静的要素と動的要素を区別する幾何学的プロンプト動的分離法を提案する。 このアプローチは、ガウス表現とシーン幾何学の幾何学的整合性を利用して、粗い動的領域を得る。 それらの領域は、正確な動作マスクを達成するために粗いマスクの洗練を誘導するプロンプトとして機能する。 (II) 動的シーンの高精度かつ効率的なマッピングを容易にするため,静的な3次元ガウスと動的4次元ガウスを統合した動的静的複合表現を導入する。 この表現は、複合マッピングと最適化のためにシーン内のオブジェクトの静的状態と動的状態の遷移をモデル化することができる。 3) 静止画形状の多視点整合性と動的物体からの運動情報を両立させるプログレッシブ・ポーズ・リファインメント・ストラテジーを採用し, 高精度なカメラトラッキングを実現する。 (4) 物体の動きの時間的連続性を利用して正確な動的モデリングを行う動きの整合性損失を導入する。 我々のD$2$GSLAMは、マッピングと追跡精度の点で、動的シーンの優れた性能を示しながら、正確な動的モデリングの能力を示している。

関連論文リスト

• 4D3R: Motion-Aware Neural Reconstruction and Rendering of Dynamic Scenes from Monocular Videos [52.89084603734664]
  静的および動的コンポーネントを2段階のアプローチで分離する,ポーズフリーな動的ニューラルネットワークレンダリングフレームワークである4D3Rを提案する。 提案手法は最先端手法よりも最大1.8dBPSNRの改善を実現する。
  論文  参考訳（メタデータ） (2025-11-07T13:25:50Z)
• DynaSplat: Dynamic-Static Gaussian Splatting with Hierarchical Motion Decomposition for Scene Reconstruction [9.391616497099422]
  我々は,ガウススプラッティングをダイナミックなシーンに拡張するアプローチであるDynaSplatを提案する。 我々は、変形オフセット統計と2次元運動流の整合性の融合により、シーン要素を静的または動的に分類する。 次に、粗い大域変換ときめ細かい局所運動の両方を捉える階層的な動きモデリング戦略を導入する。
  論文  参考訳（メタデータ） (2025-06-11T15:13:35Z)
• Embracing Dynamics: Dynamics-aware 4D Gaussian Splatting SLAM [0.0]
  D4DGS-SLAMは動的環境に対する4DGSマップ表現に基づく最初のSLAM法である。 提案手法は,カメラのポーズトラッキングとマップの品質の両方において,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T08:56:35Z)
• UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
  UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。 動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。 提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-12-04T16:59:49Z)
• Event-boosted Deformable 3D Gaussians for Dynamic Scene Reconstruction [50.873820265165975]
  本稿では,高時間分解能連続運動データと動的シーン再構成のための変形可能な3D-GSを併用したイベントカメラについて紹介する。 本稿では、3次元再構成としきい値モデリングの両方を大幅に改善する相互強化プロセスを作成するGS-Thresholdジョイントモデリング戦略を提案する。 提案手法は,合成および実世界の動的シーンを用いた最初のイベント包摂型4Dベンチマークであり,その上で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-11-25T08:23:38Z)
• Dynamic 3D Gaussians: Tracking by Persistent Dynamic View Synthesis [58.5779956899918]
  動的シーンビュー合成と6自由度(6-DOF)追跡のタスクを同時に処理する手法を提案する。 我々は、シーンを3Dガウスアンのコレクションとしてモデル化する最近の研究に触発された、分析バイシンセサイザーの枠組みに従う。 我々は,1人称視点合成,動的合成シーン合成,4次元映像編集など,我々の表現によって実現された多数のダウンストリームアプリケーションを紹介した。
  論文  参考訳（メタデータ） (2023-08-18T17:59:21Z)
• DOT: Dynamic Object Tracking for Visual SLAM [83.69544718120167]
  DOTはインスタンスセグメンテーションとマルチビュー幾何を組み合わせて、動的オブジェクトのマスクを生成する。 実際にどのオブジェクトが動いているかを判断するために、DOTは、潜在的にダイナミックなオブジェクトの最初のインスタンスを抽出し、次に推定されたカメラモーションで、測光再投射誤差を最小限にして、そのようなオブジェクトを追跡する。 提案手法はORB-SLAM 2の精度とロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-09-30T18:36:28Z)

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。