論文の概要: RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization

• arxiv url: http://arxiv.org/abs/2601.00705v1
• Date: Sun, 28 Dec 2025 03:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.588723
• Title: RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
• Title（参考訳）: RGS-SLAM: ワンショット高密度初期化を用いたロバストガウス平滑化SLAM
• Authors: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang,
• Abstract要約: RGS-SLAMは、GS-SLAMの残留駆動密度化段階を置き換える堅牢なガウスめっきSLAMフレームワークである。 RGS-SLAMは、最先端のガウス系および点ベースSLAMシステムと比較して、競合的あるいは優れたローカライゼーションと再構成の精度を達成する。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RGS-SLAM, a robust Gaussian-splatting SLAM framework that replaces the residual-driven densification stage of GS-SLAM with a training-free correspondence-to-Gaussian initialization. Instead of progressively adding Gaussians as residuals reveal missing geometry, RGS-SLAM performs a one-shot triangulation of dense multi-view correspondences derived from DINOv3 descriptors refined through a confidence-aware inlier classifier, generating a well-distributed and structure-aware Gaussian seed prior to optimization. This initialization stabilizes early mapping and accelerates convergence by roughly 20\%, yielding higher rendering fidelity in texture-rich and cluttered scenes while remaining fully compatible with existing GS-SLAM pipelines. Evaluated on the TUM RGB-D and Replica datasets, RGS-SLAM achieves competitive or superior localization and reconstruction accuracy compared with state-of-the-art Gaussian and point-based SLAM systems, sustaining real-time mapping performance at up to 925 FPS.
• Abstract（参考訳）: RGS-SLAMは,GS-SLAMの残留駆動密度化段階を学習自由対応型ガウス初期化に置き換える頑健なガウス版SLAMフレームワークである。 残基としてガウスを徐々に加えるのではなく、RGS-SLAMは、DINOv3記述子から精製された高密度な多視点対応の1ショットの三角測量を行い、最適化に先立ってよく分布し構造に見合ったガウスシードを生成する。 この初期化は初期のマッピングを安定化させ、約20倍の収束を加速し、既存のGS-SLAMパイプラインと完全に互換性を維持しながら、テクスチャリッチで散在したシーンのレンダリング忠実度を高める。 TUM RGB-DとReplicaのデータセットから評価すると、RGS-SLAMは最先端のガウス系およびポイントベースのSLAMシステムと比較して、最大925FPSのリアルタイムマッピング性能を保ちながら、競合的あるいは優れたローカライゼーションと再構築の精度を達成する。

関連論文リスト

• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• MGS-SLAM: Monocular Sparse Tracking and Gaussian Mapping with Depth Smooth Regularization [29.713650915551632]
  本稿では,ガウススプラッティングに基づく濃密な視覚的局所化とマッピングのための新しいフレームワークを紹介する。 疎視度追跡と3次元ガウススプラッティングのシーン表現を初めて共同で最適化する。 ポーズ推定の精度は既存の手法や最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-05-10T04:42:21Z)
• High-Fidelity SLAM Using Gaussian Splatting with Rendering-Guided Densification and Regularized Optimization [8.845446246585215]
  本稿では,3次元ガウススプラッティングに基づく高密度RGBD SLAMシステムを提案する。 近年のニューラルかつ並列に開発されたガウススプラッティング RGBD SLAM ベースラインと比較して,本手法は合成データセット Replica の最先端結果と実世界のデータセット TUM の競合結果を得る。
  論文  参考訳（メタデータ） (2024-03-19T08:19:53Z)
• SGS-SLAM: Semantic Gaussian Splatting For Neural Dense SLAM [5.144010652281121]
  SGS-SLAMはSplattingに基づく最初の意味的視覚的SLAMシステムである。 外観幾何学とマルチチャネル最適化による意味的特徴は、ニューラル暗黙のSLAMシステムの過度な制限に対処する。 カメラポーズ推定、マップ再構成、正確なセマンティックセグメンテーション、およびオブジェクトレベルの幾何精度において最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-02-05T18:03:53Z)
• GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
  我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。 提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。 提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。