Fugu-MT 論文翻訳(概要): GS3LAM: Gaussian Semantic Splatting SLAM

論文の概要: GS3LAM: Gaussian Semantic Splatting SLAM

arxiv url: http://arxiv.org/abs/2603.27781v1
Date: Sun, 29 Mar 2026 17:25:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-31 23:18:45.115084
Title: GS3LAM: Gaussian Semantic Splatting SLAM
Title（参考訳）: GS3LAM:ガウスのセマンティックスプレイティングSLAM
Authors: Linfei Li, Lin Zhang, Zhong Wang, Ying Shen,
Abstract要約: 本稿では,マルチモーダルデータを処理するフレームワークであるGS3LAMを提案し,一貫した高密度セマンティックマップをリアルタイムにレンダリングする。スケール不変ガウスと幾何学的曲面の相違を解決するために、深さ適応スケール正規化スキームが導入された。ベンチマークデータセットの実験では、GS3LAMはトラッキングの向上、レンダリング品質の向上、セマンティック精度の向上を実現している。
参考スコア（独自算出の注目度）: 12.867211140172005
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Recently, the multi-modal fusion of RGB, depth, and semantics has shown great potential in dense Simultaneous Localization and Mapping (SLAM). However, a prerequisite for generating consistent semantic maps is the availability of dense, efficient, and scalable scene representations. Existing semantic SLAM systems based on explicit representations are often limited by resolution and an inability to predict unknown areas. Conversely, implicit representations typically rely on time-consuming ray tracing, failing to meet real-time requirements. Fortunately, 3D Gaussian Splatting (3DGS) has emerged as a promising representation that combines the efficiency of point-based methods with the continuity of geometric structures. To this end, we propose GS3LAM, a Gaussian Semantic Splatting SLAM framework that processes multimodal data to render consistent, dense semantic maps in real-time. GS3LAM models the scene as a Semantic Gaussian Field (SG-Field) and jointly optimizes camera poses and the field via multimodal error constraints. Furthermore, a Depth-adaptive Scale Regularization (DSR) scheme is introduced to resolve misalignments between scale-invariant Gaussians and geometric surfaces. To mitigate catastrophic forgetting, we propose a Random Sampling-based Keyframe Mapping (RSKM) strategy, which demonstrates superior performance over common local covisibility optimization methods. Extensive experiments on benchmark datasets show that GS3LAM achieves increased tracking robustness, superior rendering quality, and enhanced semantic precision compared to state-of-the-art methods. Source code is available at https://github.com/lif314/GS3LAM.
Abstract（参考訳）: 近年,RGB,深度,セマンティクスのマルチモーダル融合は,高密度な局所化とマッピング(SLAM)において大きな可能性を示している。しかし、一貫性のあるセマンティックマップを生成するための前提条件は、密で効率的でスケーラブルなシーン表現が利用できることである。明示的な表現に基づく既存の意味的SLAMシステムは、しばしば解像度と未知の領域を予測できないために制限される。逆に、暗黙の表現は一般的に時間を要するレイトレーシングに依存しており、リアルタイムの要求を満たしていない。幸いなことに、3D Gaussian Splatting (3DGS) は、点ベースの手法の効率と幾何学構造の連続性を組み合わせた有望な表現として登場した。この目的のために,マルチモーダルデータを処理し,一貫した高密度なセマンティックマップをリアルタイムにレンダリングする,ガウスのセマンティックスプラッティングSLAMフレームワークであるGS3LAMを提案する。 GS3LAMはシーンをセマンティック・ガウス・フィールド(SG-Field)としてモデル化し、カメラのポーズとフィールドをマルチモーダルなエラー制約によって共同で最適化する。さらに、スケール不変ガウスと幾何学的曲面のミスアライメントを解決するために、DSR(Depth-Adaptive Scale Regularization)スキームを導入している。本稿では,局所的可視性最適化手法よりも優れた性能を示すランダムサンプリング型キーフレームマッピング(RSKM)戦略を提案する。ベンチマークデータセットの大規模な実験により、GS3LAMは、最先端の手法と比較して、追跡堅牢性の向上、レンダリング品質の向上、セマンティック精度の向上を実現している。ソースコードはhttps://github.com/lif314/GS3LAMで入手できる。

論文の概要: GS3LAM: Gaussian Semantic Splatting SLAM

関連論文リスト