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
- 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。
関連論文リスト
- GLAM-SLAM: Real-time Gaussian Large-scale Mapping via Flow Densification and Spatial Decomposition [15.113183931728814]
本稿では,リアルタイムに分離したガウス分割SLAMシステムであるGLAM-SLAMを提案する。
堅牢で機能ベースのSLAMを使用して、軽量なトラッキングを保証します。
構造化されたスパースなアンカーグリッド表現を採用し、スケーラブルな操作を保証し、長期的シーケンスをまたいだシーンを維持する。
我々は,困難かつ長周期なKITTI Odometry,Oxford RobotCar,M Splatalagaデータセットについて評価を行った。
論文 参考訳（メタデータ） (2026-07-23T15:22:42Z) - VBGS-SLAM: Variational Bayesian Gaussian Splatting Simultaneous Localization and Mapping [11.158238000818288]
3次元ガウス散乱(3DGS)はガウスの混合物を用いた3次元シーンモデリングにおいて有望な結果を示した。
本稿では,スプレートマップの精細化とカメラポーズ追跡を生成確率形式で組み合わせた新しいフレームワークである変分ベイジアン・ガウス・スプティングSLAM(VBGS-SLAM)を提案する。
本実験は,多種多様な合成シーンと実世界のシーンにまたがる,効率的で高品質な新規ビュー合成とともに,長いシーケンス予測におけるトラッキング性能とロバスト性を示す。
論文 参考訳（メタデータ） (2026-04-03T03:44:01Z) - LangGS-SLAM: Real-Time Language-Feature Gaussian Splatting SLAM [2.738569311610586]
RGB-D SLAM システムは低遅延追跡とマッピングを継続しながら,言語対応の高密度特徴場を再構築する。
システムは15FPSで動作しながら、幾何学的のみのベースラインとオフラインアプローチに匹敵する意味的忠実性よりも優れた幾何学的忠実性を実現する。
論文 参考訳（メタデータ） (2026-01-28T05:35:34Z) - 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) - IG-SLAM: Instant Gaussian SLAM [6.228980850646457]
3D Gaussian SplattingはSLAMシステムにおける代替シーン表現として期待できる結果を示した。
本稿では,RGBのみの高密度SLAMシステムであるIG-SLAMについて述べる。
我々は、最先端のRGBのみのSLAMシステムと競合する性能を示し、高速な動作速度を実現する。
論文 参考訳（メタデータ） (2024-08-02T09:07:31Z) - Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。
本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。
Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
論文 参考訳（メタデータ） (2024-05-26T12:26:54Z) - SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。
SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
論文 参考訳（メタデータ） (2024-04-29T23:26:30Z) - latentSplat: Autoencoding Variational Gaussians for Fast Generalizable 3D Reconstruction [48.86083272054711]
latentSplatは3D潜在空間における意味ガウスを予測し、軽量な生成型2Dアーキテクチャで切り落としてデコードする手法である。
latentSplatは、高速でスケーラブルで高解像度なデータでありながら、復元品質と一般化におけるこれまでの成果よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-03-24T20:48:36Z) - SplaTAM: Splat, Track & Map 3D Gaussians for Dense RGB-D SLAM [48.190398577764284]
SplaTAMは、単一のRGB-Dカメラからの高忠実度再構成を可能にするアプローチである。
基礎となるガウス表現に合わせて、単純なオンライントラッキングとマッピングシステムを採用している。
実験により,SplaTAMはカメラポーズ推定,マップ構築,既存手法に対する新規ビュー合成において最大2倍の性能を発揮することが示された。
論文 参考訳（メタデータ） (2023-12-04T18:53:24Z) - GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。
提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。
提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文 参考訳（メタデータ） (2023-11-20T12:08:23Z)
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。