論文の概要: GaussianFlow SLAM: Monocular Gaussian Splatting SLAM Guided by GaussianFlow
- arxiv url: http://arxiv.org/abs/2604.15612v1
- Date: Fri, 17 Apr 2026 01:34:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.69621
- Title: GaussianFlow SLAM: Monocular Gaussian Splatting SLAM Guided by GaussianFlow
- Title（参考訳）: ガウシアンフローSLAM:ガウシアンフローガイドによる単分子ガウシアンスプラッティングSLAM
- Authors: Dong-Uk Seo, Jinwoo Jeon, Eungchang Mason Lee, Hyun Myung,
- Abstract要約: 本稿では,光学的フローを幾何学的認識のキューとして用いて,シーン構造とカメラポーズの両方の最適化を導くモノクロ3DGS-SLAMを提案する。
提案手法は,最先端のアルゴリズムと比較して,レンダリング品質と追跡精度に優れる。
- 参考スコア（独自算出の注目度）: 7.598885266145037
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Gaussian splatting has recently gained traction as a compelling map representation for SLAM systems, enabling dense and photo-realistic scene modeling. However, its application to monocular SLAM remains challenging due to the lack of reliable geometric cues from monocular input. Without geometric supervision, mapping or tracking could fall in local-minima, resulting in structural degeneracies and inaccuracies. To address this challenge, we propose GaussianFlow SLAM, a monocular 3DGS-SLAM that leverages optical flow as a geometry-aware cue to guide the optimization of both the scene structure and camera poses. By encouraging the projected motion of Gaussians, termed GaussianFlow, to align with the optical flow, our method introduces consistent structural cues to regularize both map reconstruction and pose estimation. Furthermore, we introduce normalized error-based densification and pruning modules to refine inactive and unstable Gaussians, thereby contributing to improved map quality and pose accuracy. Experiments conducted on public datasets demonstrate that our method achieves superior rendering quality and tracking accuracy compared with state-of-the-art algorithms. The source code is available at: https://github.com/url-kaist/gaussianflow-slam.
- Abstract（参考訳）: ガウススプラッティングは近年SLAMシステムの魅力的な地図表現として注目を集めており、高密度でリアルなシーンモデリングを可能にしている。
しかし、単分子入力からの信頼性のある幾何学的手がかりが欠如していることから、単分子SLAMへの応用は依然として困難である。
幾何学的な監督がなければ、マッピングや追跡は局所的なミニマムに陥り、構造的退化と不正確な結果をもたらす可能性がある。
この課題に対処するために,光学フローを幾何学的に認識したキューとして活用し,シーン構造とカメラポーズの両方の最適化を導出するモノクルな3DGS-SLAMであるGaussianFlow SLAMを提案する。
ガウシアンフローと呼ばれるガウシアンフローの投影運動を光流に合わせることで、地図再構成とポーズ推定の両方を正則化するための一貫した構造的手がかりを導入する。
さらに,不活性かつ不安定なガウスを改良するため,正規化エラーベースデンシフィケーションおよびプルーニングモジュールを導入し,地図の品質向上と精度向上に寄与する。
公開データセットで行った実験により,本手法は最先端のアルゴリズムと比較して,レンダリング品質と追跡精度が優れていることが示された。
ソースコードは、https://github.com/url-kaist/gaussianflow-slamで入手できる。
関連論文リスト
- VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM [75.55522219717137]
視覚-慣性3DガウスプラッティングSLAMシステムであるVIGS-SLAMについて述べる。
堅牢なリアルタイムトラッキングと高忠実度再構築を実現する。
本手法は,一貫した最適化フレームワーク内に視覚的および慣性的キューを密結合する。
論文 参考訳（メタデータ） (2025-12-02T00:19:13Z) - RP-SLAM: Real-time Photorealistic SLAM with Efficient 3D Gaussian Splatting [22.76955981251234]
RP-SLAM(RP-SLAM)は、単眼およびRGB-Dカメラのための3Dガウススプラッティングに基づく視覚SLAM法である。
リアルタイム性能とモデルコンパクト性を確保しつつ、最先端の地図レンダリング精度を実現する。
論文 参考訳（メタデータ） (2024-12-13T05:27:35Z) - MGS-SLAM: Monocular Sparse Tracking and Gaussian Mapping with Depth Smooth Regularization [29.713650915551632]
本稿では,ガウススプラッティングに基づく濃密な視覚的局所化とマッピングのための新しいフレームワークを紹介する。
疎視度追跡と3次元ガウススプラッティングのシーン表現を初めて共同で最適化する。
ポーズ推定の精度は既存の手法や最先端の手法を超越している。
論文 参考訳（メタデータ） (2024-05-10T04:42:21Z) - SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。
既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。
局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
論文 参考訳（メタデータ） (2024-04-17T14:23:28Z) - CG-SLAM: Efficient Dense RGB-D SLAM in a Consistent Uncertainty-aware 3D Gaussian Field [46.8198987091734]
本稿では,新しい不確実性を考慮した3次元ガウス場に基づく高密度RGB-D SLAMシステム,すなわちCG-SLAMを提案する。
各種データセットの実験により、CG-SLAMは、最大15Hzの追従速度で優れた追従性能とマッピング性能を達成することが示された。
論文 参考訳（メタデータ） (2024-03-24T11:19:59Z) - 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) - GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳（メタデータ） (2023-09-28T07:46:01Z)
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。