論文の概要: Gleanmer: A 6 mW SoC for Real-Time 3D Gaussian Occupancy Mapping

• arxiv url: http://arxiv.org/abs/2603.29005v1
• Date: Mon, 30 Mar 2026 21:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.865813
• Title: Gleanmer: A 6 mW SoC for Real-Time 3D Gaussian Occupancy Mapping
• Title（参考訳）: Gleanmer: リアルタイム3Dガウス占領マッピングのための6mW SoC
• Abstract要約: ガウスアンを用いた3次元占有マップであるGMMapのアクセラレーターを備えたチップ(SoC)システムであるGleanmerについて述べる。 Gleanmerは、構築エネルギーとクエリエネルギーを最大63%、クエリエネルギーを81%削減する。 16nm CMOSを用いて640x480の画像をリアルタイムで処理し、マップ構築時には88fpsを超え、マップクエリ時には毎秒540Kの座標が処理される。
• 参考スコア（独自算出の注目度）: 17.02257507386432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity 3D occupancy mapping is essential for many edge-based applications (such as AR/VR and autonomous navigation) but is limited by power constraints. We present Gleanmer, a system on chip (SoC) with an accelerator for GMMap, a 3D occupancy map using Gaussians. Through algorithm-hardware co-optimizations for direct computation and efficient reuse of these compact Gaussians, Gleanmer reduces construction and query energy by up to 63% and 81%, respectively. Approximate computation on Gaussians reduces accelerator area by 38%. Using 16nm CMOS, Gleanmer processes 640x480 images in real time beyond 88 fps during map construction and processes over 540K coordinates per second during map query. To our knowledge, Gleanmer is the first fabricated SoC to achieve real-time 3D occupancy mapping under 6 mW for edge-based applications.
• Abstract（参考訳）: 高忠実度3D占有率マッピングは、多くのエッジベースのアプリケーション(AR/VRや自律ナビゲーションなど)に必須であるが、電力制約によって制限されている。 ガウスアンを用いた3次元占有マップであるGMMapのアクセラレーターを備えたチップ(SoC)システムであるGleanmerについて述べる。 これらのコンパクトガウスの直接計算と効率的な再利用のためのアルゴリズム-ハードウェア協調最適化により、Gleanmerは構築エネルギーとクエリエネルギーを最大63%と81%削減する。 ガウスの近似計算は加速面積を38%削減する。 16nm CMOSを用いて640x480の画像をリアルタイムで処理し、マップ構築時には88fpsを超え、マップクエリ時には毎秒540Kの座標が処理される。 我々の知る限り、Gleanmerはエッジベースのアプリケーションのために、6mW以下のリアルタイム3D占有率マッピングを実現した最初のSoCである。

関連論文リスト

• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• 3D Gaussian Point Encoders [31.12290301793496]
  3Dガウス点(3D Gaussian Point)は、学習した3Dガウスの混合体上に構築された明示的な点毎の埋め込みである。 我々は、自然勾配とPointNetからの最適化手法を開発し、PointNetアクティベーションを再構築できるガウス基底を求める。 結果として得られる3Dガウスポイントエンコーダは、従来のポイントネットよりも高速でパラメータ効率が高い。
  論文  参考訳（メタデータ） (2025-11-06T20:32:49Z)
• GEM: 3D Gaussian Splatting for Efficient and Accurate Cryo-EM Reconstruction [39.086532262973606]
  核電子顕微鏡(cryo-EM)は高分解能構造生物学の中心的なツールとなっている。 大規模なデータセットは、計算コストとメモリ集約の両方を3D再構成する。 GEMは3次元ガウス平板上に構築された新しいCreo-EM再構成フレームワークである(3DGS)。 標準的なCryo-EMベンチマークでは、GEMは最先端の手法に比べて最大48%高速なトレーニングと12%低いメモリ使用率を実現している。
  論文  参考訳（メタデータ） (2025-09-29T17:17:53Z)
• Speedy MASt3R [68.47052557089631]
  MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。 高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。 この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-03-13T03:56:22Z)
• 3DGS-LM: Faster Gaussian-Splatting Optimization with Levenberg-Marquardt [65.25603275491544]
  3DGS-LM, 3D Gaussian Splatting(3DGS)の再構築を高速化する新しい手法を提案する。 提案手法は, 元の3DGSよりも20%高速であり, 再構成品質の最適化が可能である。
  論文  参考訳（メタデータ） (2024-09-19T16:31:44Z)
• GSFusion: Online RGB-D Mapping Where Gaussian Splatting Meets TSDF Fusion [12.964675001994124]
  従来の融合アルゴリズムは3次元シーンの空間構造を保存する。 ヴィジュアライゼーションの面では現実主義を欠いていることが多い。 GSFusionはレンダリング品質を犠牲にすることなく計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-08-22T18:32:50Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• 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)
• Identifying Unnecessary 3D Gaussians using Clustering for Fast Rendering of 3D Gaussian Splatting [2.878831747437321]
  3D-GSは、速度と画質の両方においてニューラル放射場(NeRF)を上回った新しいレンダリングアプローチである。 本研究では,現在のビューをレンダリングするために,不要な3次元ガウスをリアルタイムに識別する計算量削減手法を提案する。 Mip-NeRF360データセットの場合、提案手法は2次元画像投影の前に平均して3次元ガウスの63%を排除し、ピーク信号対雑音比(PSNR)を犠牲にすることなく全体のレンダリングを約38.3%削減する。 提案されたアクセラレータは、GPUと比較して10.7倍のスピードアップも達成している。
  論文  参考訳（メタデータ） (2024-02-21T14:16:49Z)
• 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)
• CompGS: Smaller and Faster Gaussian Splatting with Vector Quantization [16.829825478946837]
  3D Gaussian Splatting (3DGS) は3次元放射場をモデリング・レンダリングするための新しい手法である。 本稿では,3DGSのストレージコストを40倍から50倍に削減し,レンダリング時間を2倍から3倍に削減し,レンダリング画像の品質を低下させる方法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T00:29:13Z)
• LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
  光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。 ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。 LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
  論文  参考訳（メタデータ） (2023-11-28T21:39:20Z)
• 4D Gaussian Splatting for Real-Time Dynamic Scene Rendering [103.32717396287751]
  本研究では,動的シーンの全体像として4D-GS(Gaussian Splatting)を提案する。 HexPlaneにインスパイアされたニューラルボクセル符号化アルゴリズムは、4Dニューラルボクセルの機能を効率的に構築するために提案されている。 我々の4D-GS法は、高解像度の82 FPSで、3090 GPUで800$times$800の解像度でリアルタイムレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:21:41Z)

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。