論文の概要: SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM
- arxiv url: http://arxiv.org/abs/2603.21055v1
- Date: Sun, 22 Mar 2026 04:42:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.212144
- Title: SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM
- Title（参考訳）: SGAD-SLAM:RGBD SLAMの精度向上のための調整深度ガウスのスプラッティング
- Authors: Pengchong Hu, Zhizhong Han,
- Abstract要約: 現行の手法では3Dガウシアンやビュータイドの3Dガウシアンを用いて、追跡とマッピングにおいて放射場を表現している。
我々は画素アライメントのガウスアンを採用するが、各ガウスアンがその線に沿って位置を調整してレンダリング品質を最大化することができる。
我々は、広く使われているベンチマークの評価を報告し、設計を正当化し、ビューレンダリング、カメラトラッキング、ランタイム、ストレージの複雑さにおける最新の手法に対する利点を示します。
- 参考スコア（独自算出の注目度）: 46.618504092695254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has made remarkable progress in RGBD SLAM. Current methods usually use 3D Gaussians or view-tied 3D Gaussians to represent radiance fields in tracking and mapping. However, these Gaussians are either too flexible or too limited in movements, resulting in slow convergence or limited rendering quality. To resolve this issue, we adopt pixel-aligned Gaussians but allow each Gaussian to adjust its position along its ray to maximize the rendering quality, even if Gaussians are simplified to improve system scalability. To speed up the tracking, we model the depth distribution around each pixel as a Gaussian distribution, and then use these distributions to align each frame to the 3D scene quickly. We report our evaluations on widely used benchmarks, justify our designs, and show advantages over the latest methods in view rendering, camera tracking, runtime, and storage complexity. Please see our project page for code and videos at https://machineperceptionlab.github.io/SGAD-SLAM-Project .
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)はRGBD SLAMにおいて顕著な進歩を遂げた。
現行の手法では3Dガウシアンやビュータイドの3Dガウシアンを用いて、追跡とマッピングにおいて放射場を表現している。
しかし、これらのガウス派は動きに柔軟すぎるか制限されているかのいずれかであり、収束が遅いか、レンダリング品質が限られている。
この問題を解決するため,画素アライメントのガウスアンを採用するが,ガウスアンがシステムスケーラビリティの向上のために単純化された場合でも,各ガウスアンがその位置を光線に沿って調整してレンダリング品質を最大化することができる。
追跡を高速化するため,各画素の奥行き分布をガウス分布としてモデル化し,これらの分布を用いて各フレームを3Dシーンに高速にアライメントする。
我々は、広く使われているベンチマークの評価を報告し、設計を正当化し、ビューレンダリング、カメラトラッキング、ランタイム、ストレージの複雑さにおける最新の手法よりも利点を示します。
コードとビデオについては、https://machineperceptionlab.github.io/SGAD-SLAM-Projectを参照してください。
関連論文リスト
- VTGaussian-SLAM: RGBD SLAM for Large Scale Scenes with Splatting View-Tied 3D Gaussians [27.62796825514193]
最先端の手法では、シーンを表現するために3Dガウシアンを使用し、これらのガウシアンをスプラッティングでレンダリングすることで効率とレンダリングを向上する。
これらの手法は、非効率的な追跡とマッピング戦略のため、非常に大きなシーンにスケールアップできない。
この問題を解決するために,ビュータイド3Dガウシアンと呼ばれる新しい3D表現を扱う新しいトラッキングとマッピング戦略を提案する。
論文 参考訳（メタデータ） (2025-06-03T10:59:19Z) - Pushing Rendering Boundaries: Hard Gaussian Splatting [72.28941128988292]
3D Gaussian Splatting (3DGS) は,NVS(Noven View Synthesis) をリアルタイムなレンダリング方式で実現した。
我々はHGSと呼ばれるハードガウシアンスプラッティングを提案し、これは多視点的な位置勾配とレンダリング誤差を考慮し、ハードガウシアンを成長させる。
本手法は,リアルタイムの効率を保ちながら,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2024-12-06T07:42:47Z) - Dynamic Gaussian Marbles for Novel View Synthesis of Casual Monocular Videos [58.22272760132996]
既存の4次元ガウス法は単分子配置が制約されていないため、この設定で劇的に失敗することを示す。
単分子配置の難易度を目標とした3つのコア修正からなる動的ガウス大理石を提案する。
Nvidia Dynamic ScenesデータセットとDyCheck iPhoneデータセットを評価し,Gaussian Marblesが他のGaussianベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-26T19:37:07Z) - GSGAN: Adversarial Learning for Hierarchical Generation of 3D Gaussian Splats [20.833116566243408]
本稿では,Gaussianを3D GANの3次元表現として利用し,その効率的かつ明示的な特徴を活用する。
生成したガウスの位置とスケールを効果的に正規化する階層的多スケールガウス表現を持つジェネレータアーキテクチャを導入する。
実験結果から,最先端の3D一貫したGANと比較して,レンダリング速度(x100)が大幅に向上することが示された。
論文 参考訳（メタデータ） (2024-06-05T05:52:20Z) - RTG-SLAM: Real-time 3D Reconstruction at Scale using Gaussian Splatting [51.51310922527121]
ガウススプラッティングを用いた大規模環境のためのRGBDカメラを用いたリアルタイム3D再構成システムを提案する。
それぞれのガウス語は不透明かほぼ透明で、不透明なものは表面色と支配的な色に、透明なものは残留色に適合する。
様々な大きなシーンをリアルタイムに再現し、新しいビュー合成とカメラトラッキングの精度のリアリズムにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-04-30T16:54:59Z)
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。