論文の概要: Rethinking Pose Refinement in 3D Gaussian Splatting under Pose Prior and Geometric Uncertainty

• arxiv url: http://arxiv.org/abs/2603.16538v1
• Date: Tue, 17 Mar 2026 14:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.314789
• Title: Rethinking Pose Refinement in 3D Gaussian Splatting under Pose Prior and Geometric Uncertainty
• Title（参考訳）: ポース事前および幾何学的不確かさ下における3次元ガウススティングにおけるポースリファインメントの再考
• Authors: Mangyu Kong, Jaewon Lee, Seongwon Lee, Euntai Kim,
• Abstract要約: 3D Splatting(3DGS)は、視覚的局所化と機能改善のために、強力な表現がますます使われるようになったため、最近登場した。 高品質な差別性と堅牢性にもかかわらず、3DGSベースの精細化は初期カメラのポーズと再構成された幾何学の両方に非常に敏感である。
• 参考スコア（独自算出の注目度）: 22.568270316570334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has recently emerged as a powerful scene representation and is increasingly used for visual localization and pose refinement. However, despite its high-quality differentiable rendering, the robustness of 3DGS-based pose refinement remains highly sensitive to both the initial camera pose and the reconstructed geometry. In this work, we take a closer look at these limitations and identify two major sources of uncertainty: (i) pose prior uncertainty, which often arises from regression or retrieval models that output a single deterministic estimate, and (ii) geometric uncertainty, caused by imperfections in the 3DGS reconstruction that propagate errors into PnP solvers. Such uncertainties can distort reprojection geometry and destabilize optimization, even when the rendered appearance still looks plausible. To address these uncertainties, we introduce a relocalization framework that combines Monte Carlo pose sampling with Fisher Information-based PnP optimization. Our method explicitly accounts for both pose and geometric uncertainty and requires no retraining or additional supervision. Across diverse indoor and outdoor benchmarks, our approach consistently improves localization accuracy and significantly increases stability under pose and depth noise.
• Abstract（参考訳）: 3D Gaussian Splatting(3DGS)は、最近、強力なシーン表現として登場し、視覚的ローカライゼーションやポーズ改善にますます利用されている。 しかし、3DGSベースのポーズ改善の堅牢性は、高品質な差別化レンダリングにもかかわらず、初期カメラのポーズと再構成された幾何学の両方に非常に敏感である。 この研究では、これらの制限を詳しく見て、2つの主要な不確実性の原因を特定します。 i) 1つの決定論的推定を出力する回帰モデルや検索モデルからしばしば生じる事前の不確実性を示す。 (II) PnPソルバに誤差を伝播させる3DGS再構成の不完全性に起因する幾何学的不確実性。 このような不確実性は再射幾何学を歪め、レンダリングされた外観がまだ可視であるとしても最適化を不安定にすることができる。 これらの不確実性に対処するために,モンテカルロのポーズサンプリングとフィッシャー情報に基づくPnP最適化を組み合わせた再局在フレームワークを提案する。 提案手法はポーズと幾何学的不確実性の両方を明示的に考慮し,再トレーニングや追加の監視を必要としない。 室内および屋外の様々なベンチマークにおいて,提案手法は定位精度を一貫して改善し,ポーズおよび奥行き雑音下での安定性を著しく向上させる。

関連論文リスト

• Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
  本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。 提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2025-10-11T08:13:46Z)
• GaVS: 3D-Grounded Video Stabilization via Temporally-Consistent Local Reconstruction and Rendering [54.489285024494855]
  ビデオの安定化は、元のユーザの動きの意図を保ちながら、望ましくないシャキネスを除去するので、ビデオ処理に欠かせない。 既存のアプローチは、運用するドメインによって、ユーザエクスペリエンスを低下させるいくつかの問題に悩まされます。 ビデオの安定化を時間的に一貫性のある局所的再構成とレンダリングのパラダイムとして再構成する,新しい3Dグラウンドアプローチである textbfGaVS を紹介する。
  論文  参考訳（メタデータ） (2025-06-30T15:24:27Z)
• Sparse-view Pose Estimation and Reconstruction via Analysis by Generative Synthesis [25.898616784744377]
  観察されたビューの少ないセットを考えると、その観察は完全な正確な3Dを得るのに十分な直接的な証拠を与えていないかもしれない。 a) 新規なビュー合成に基づく生成先行を光度目標と組み合わせて、推定された3Dの質を向上させる方法、(b) アウトレーヤを明示的に推論し、連続最適化に基づく戦略による離散探索を用いて補正する手法であるSparseAGSを提案する。
  論文  参考訳（メタデータ） (2024-12-04T18:59:24Z)
• 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)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)

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。