論文の概要: Thermal odometry and dense mapping using learned odometry and Gaussian splatting

• arxiv url: http://arxiv.org/abs/2602.07493v2
• Date: Wed, 11 Feb 2026 03:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 15:03:19.945595
• Title: Thermal odometry and dense mapping using learned odometry and Gaussian splatting
• Title（参考訳）: 学習オドメトリーとガウススプラッティングを用いた熱オドメトリーと高密度マッピング
• Authors: Tianhao Zhou, Yujia Chen, Zhihao Zhan, Yuhang Ming, Jianzhu Huai,
• Abstract要約: 本研究では, 学習型オドメトリーと GS を用いた高密度マッピングを統合したサーマルオドメトリーおよびマッピング手法であるTOM-GSを提案する。 TOM-GSは、サーマルカメラ用に設計された最初のGSベースのSLAMシステムの一つであり、専用のサーマルイメージの強化と単眼深度統合を備えている。 動き推定とノベルビューレンダリングの実験は、TOM-GSが既存の学習ベース手法より優れていることを示した。
• 参考スコア（独自算出の注目度）: 4.586293139203712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thermal infrared sensors, with wavelengths longer than smoke particles, can capture imagery independent of darkness, dust, and smoke. This robustness has made them increasingly valuable for motion estimation and environmental perception in robotics, particularly in adverse conditions. Existing thermal odometry and mapping approaches, however, are predominantly geometric and often fail across diverse datasets while lacking the ability to produce dense maps. Motivated by the efficiency and high-quality reconstruction ability of recent Gaussian Splatting (GS) techniques, we propose TOM-GS, a thermal odometry and mapping method that integrates learning-based odometry with GS-based dense mapping. TOM-GS is among the first GS-based SLAM systems tailored for thermal cameras, featuring dedicated thermal image enhancement and monocular depth integration. Extensive experiments on motion estimation and novel-view rendering demonstrate that TOM-GS outperforms existing learning-based methods, confirming the benefits of learning-based pipelines for robust thermal odometry and dense reconstruction.
• Abstract（参考訳）: 熱赤外線センサーは、煙の粒子よりも波長が長いため、暗さ、塵、煙から独立したイメージを捉えることができる。 この頑丈さは、ロボット工学、特に悪条件下での運動推定と環境認識にますます価値を増している。 しかし、既存の熱オドメトリーとマッピングのアプローチは、主に幾何学的であり、多種多様なデータセットにまたがって失敗するが、密集した地図を作成する能力は欠如している。 近年のガウシアン・スプレイティング(GS)技術の効率性と高品質な再構築能力により,本手法は,学習型オドメトリーと GS を用いた高密度マッピングを統合したサーマルオドメトリーおよびマッピング手法であるTOM-GS を提案する。 TOM-GSは、サーマルカメラ用に設計された最初のGSベースのSLAMシステムの一つであり、専用のサーマルイメージの強化と単眼深度統合を備えている。 動き推定とノベルビューレンダリングに関する広範囲な実験により、TOM-GSは既存の学習ベースの手法よりも優れており、堅牢な熱伝導率と密な再構築のための学習ベースのパイプラインの利点が確認されている。

関連論文リスト

• MARVO: Marine-Adaptive Radiance-aware Visual Odometry [0.5336398444466023]
  MARVOは,水中画像形成モデル,識別可能なマッチング,強化学習を融合した物理認識・学習統合化フレームワークである。 強化に基づく PoseGraph は、SE(2) 上の最適リトラクション作用を学習することにより、古典的最小二乗の局所ミニマを超えてグローバルなトラジェクトリを洗練する。
  論文  参考訳（メタデータ） (2025-11-28T03:31:40Z)
• Visual Odometry with Transformers [68.453547770334]
  特徴抽出により単眼フレームのシーケンスを処理するビジュアル・オドメトリ・トランスフォーマ(VoT)を導入する。 従来の方法とは異なり、VoTは密度の高い幾何学を推定することなくカメラの動きを直接予測し、監視のためにカメラのポーズのみに依存する。 VoTは、より大きなデータセットで効果的にスケールし、より強力なトレーニング済みバックボーンの恩恵を受け、多様なカメラモーションとキャリブレーション設定を一般化し、従来のメソッドよりも3倍以上高速に動作しながらパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2025-10-02T17:00:14Z)
• MCGS-SLAM: A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping [52.99503784067417]
  3次元ガウス平板上に構築した初のRGBベースのマルチカメラSLAMシステムMCGS-SLAM(3DGS)を提案する。 マルチカメラバンドル調整(MCBA)は、高密度の測光および幾何残差を介してポーズと深さを共同で洗練し、スケール整合モジュールはビューを横断する計量アライメントを強制する。 合成および実世界のデータセットの実験は、MCGS-SLAMが一貫して正確な軌道と光現実的再構成をもたらすことを示している。
  論文  参考訳（メタデータ） (2025-09-17T17:27:53Z)
• GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
  GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。 最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。 この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
  論文  参考訳（メタデータ） (2024-10-31T17:57:07Z)
• 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)
• 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)
• Inertial Guided Uncertainty Estimation of Feature Correspondence in Visual-Inertial Odometry/SLAM [8.136426395547893]
  慣性ガイダンスを用いて特徴対応の不確かさを推定する手法を提案する。 また,近年の視覚-慣性オドメトリー/SLAMアルゴリズムの1つに組み込むことにより,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-07T04:56:29Z)

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。