論文の概要: Transforming Omnidirectional RGB-LiDAR data into 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.06061v1
• Date: Fri, 06 Mar 2026 09:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.480253
• Title: Transforming Omnidirectional RGB-LiDAR data into 3D Gaussian Splatting
• Title（参考訳）: 全方位RGB-LiDARデータを3次元ガウススプラッティングに変換する
• Authors: Semin Bae, Hansol Lim, Jongseong Brad Choi,
• Abstract要約: 大規模デジタル双生児の需要はロボティクスと自動運転で急速に増加している。 デプロイされたプラットフォームは、全方位のRGBとLiDARログを定期的に収集する。 しかし、これらのセンサーデータの大部分は、直接破棄されるか、厳密には使われていない。
• 参考スコア（独自算出の注目度）: 1.7023041773480836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The demand for large-scale digital twins is rapidly growing in robotics and autonomous driving. However, constructing these environments with 3D Gaussian Splatting (3DGS) usually requires expensive, purpose-built data collection. Meanwhile, deployed platforms routinely collect extensive omnidirectional RGB and LiDAR logs, but a significant portion of these sensor data is directly discarded or strictly underutilized due to transmission constraints and the lack of scalable reuse pipeline. In this paper, we present an omnidirectional RGB-LiDAR reuse pipeline that transforms these archived logs into robust initialization assets for 3DGS. Direct conversion of such raw logs introduces practical bottlenecks: inherent non-linear distortion leads to unreliable Structure-from-Motion (SfM) tracking, and dense, unorganized LiDAR clouds cause computational overhead during 3DGS optimization. To overcome these challenges, our pipeline strategically integrates an ERP-to-cubemap conversion module for deterministic spatial anchoring, alongside PRISM-a color stratified downsampling strategy. By bridging these multi-modal inputs via Fast Point Feature Histograms (FPFH) based global registration and Iterative Closest Point (ICP), our pipeline successfully repurposes a considerable fraction of discarded data into usable SfM geometry. Furthermore, our LiDAR-reinforced initialization consistently enhances the final 3DGS rendering fidelity in structurally complex scenes compared to vision-only baselines. Ultimately, this work provides a deterministic workflow for creating simulation-grade digital twins from standard archived sensor logs.
• Abstract（参考訳）: 大規模デジタル双生児の需要はロボティクスと自動運転で急速に増加している。 しかし、これらの環境を3Dガウススプラッティング(3DGS)で構築するには、通常、高価なデータ収集が必要である。 一方、デプロイされたプラットフォームは、全方位のRGBとLiDARログを定期的に収集するが、これらのセンサーデータの大部分は、送信の制約とスケーラブルな再利用パイプラインの欠如により、直接破棄されるか、厳密には利用されない。 本稿では,全方向のRGB-LiDAR再利用パイプラインを提案し,これらのログを3DGSの堅牢な初期化アセットに変換する。 固有非線形歪みは信頼できない構造移動(SfM)追跡につながり、密集したLiDAR雲は3DGS最適化中に計算オーバーヘッドを引き起こす。 これらの課題を克服するため,当社のパイプラインでは,PRISM-階層化ダウンサンプリング戦略とともに,決定論的空間アンカーのためのERP-to-cubemap変換モジュールを戦略的に統合した。 これらのマルチモーダル入力をFPFH(Fast Point Feature Histograms)ベースのグローバル登録とICP(Iterative Closest Point)を通じてブリッジすることで、パイプラインは捨てられたデータのかなりの部分を使用可能なSfM幾何に再利用することに成功した。 さらに、LiDAR強化初期化は、視覚のみのベースラインに比べて、構造的に複雑なシーンにおける最終的な3DGSレンダリング忠実度を一貫して向上させる。 最終的には、標準的なアーカイブされたセンサログからシミュレーショングレードのディジタルツインを作成するための決定論的ワークフローを提供する。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Quantized Visual Geometry Grounded Transformer [67.15451442018258]
  本稿では,VGGTの最初の量子化フレームワーク,すなわちQuantVGGTを提案する。 球状前アダマール回転と局所流路平滑化を統合したDual-Smoothed Fine-Grained Quantizationを導入する。 また、重層統計量を用いて外周をフィルタするノイズフィルタディバースサンプリングを設計する。
  論文  参考訳（メタデータ） (2025-09-25T15:17:11Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• GSFusion:Globally Optimized LiDAR-Inertial-Visual Mapping for Gaussian Splatting [20.665306154754564]
  本稿では,GSFusionを提案する。これはLDAR-Inertial-Visual Mapのオンラインマッピングシステムで,グローバルなポーズグラフ最適化におけるサーベイル・ツー・サーフェル制約による高精度マップの整合性を保証する。 公開とデータセットの実験では、既存の3DGS SLAMシステムよりも、レンダリング品質とマップ構築効率が優れています。
  論文  参考訳（メタデータ） (2025-07-31T06:15:51Z)
• 3DGS_LSR:Large_Scale Relocation for Autonomous Driving Based on 3D Gaussian Splatting [3.2768514034762863]
  3DGS-LSR: 3DGSを活用した大規模な再ローカライズフレームワークで、クライアント側で単一の単眼RGB画像のみを使用してセンチメートルレベルの位置決めを可能にする。 ロボット側のローカライゼーションは標準的なカメラ入力のみを必要とするのに対し、マルチセンサデータを組み合わせて大規模な屋外シーンで高精度な3DGSマップを構築する。 私たちの中心となるイノベーションは、ステップバイステップレンダリングによってローカライゼーション結果を洗練する反復的な最適化戦略であり、リアルタイムの自律ナビゲーションに適しています。
  論文  参考訳（メタデータ） (2025-07-08T04:43:46Z)
• From Coarse to Fine: Learnable Discrete Wavelet Transforms for Efficient 3D Gaussian Splatting [5.026688852582894]
  AutoOpti3DGSは、視覚的忠実さを犠牲にすることなく、ガウスの増殖を自動的に抑制するトレーニングタイムフレームワークである。 ウェーブレット駆動で粗大なプロセスは、冗長な微細ガウスの形成を遅らせる。
  論文  参考訳（メタデータ） (2025-06-29T00:27:17Z)
• 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)
• FALO: Fast and Accurate LiDAR 3D Object Detection on Resource-Constrained Devices [38.61635285386612]
  既存のLiDAR 3Dオブジェクト検出方法はスパース畳み込みやトランスフォーマーに依存しており、リソース制約のあるエッジデバイス上では実行が困難である。 ハードウェアフレンドリーなLiDAR3D検出手法であるFALOを提案し,SOTA(State-of-the-art)検出精度と高速推論速度の両方を提供する。
  論文  参考訳（メタデータ） (2025-06-04T22:46:28Z)
• It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection [4.518012967046983]
  本研究は,360度深度スキャナーによって生成された3次元データを解析するための新しい手法を提案する。 距離誘導畳み込みの概念を導入し,エゴ車と物体のスケールからの距離で受容場を適応させる。 我々のネットワークは、現在の最先端アーキテクチャに匹敵するnuScenesチャレンジにおいて、強力な結果を示す。
  論文  参考訳（メタデータ） (2020-12-05T21:02:18Z)

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。