論文の概要: ULF-Loc: Unbiased Landmark Feature for Robust Visual Localization with 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2605.04730v1
- Date: Wed, 06 May 2026 10:30:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.770872
- Title: ULF-Loc: Unbiased Landmark Feature for Robust Visual Localization with 3D Gaussian Splatting
- Title（参考訳）: ULF-Loc:3次元ガウススプラッティングによるロバスト視覚像定位のためのアンバイアス付きランドマーク特徴
- Abstract要約: 我々は、偏りのある特徴最適化を幾何重み付き特徴融合に置き換える、偏見のない特徴フレームワークであるULF-Locを提案する。
Cambridge Landmarksのデータセットでは、ULF-Locは最先端と比較して平均中央値の翻訳誤差を17%削減している。
- 参考スコア（独自算出の注目度）: 14.25287150227726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual localization is a core technology for augmented reality and autonomous navigation. Recent methods combine the efficient rendering of 3D Gaussian Splatting (3DGS) with feature-based localization. These methods rely on direct matching between 2D query features and the 3D Gaussian feature field, but this often results in mismatches due to an inherent bias in the learned Gaussian feature. We theoretically analyze the feature learning process in 3DGS, revealing that the widely adopted $α$-blending optimization inherently introduces bias into 3D point features. This bias stems from the entanglement between individual Gaussians and their neighboring Gaussians, making the learned features unsuitable for precise matching tasks. Motivated by these findings, we propose ULF-Loc, an unbiased landmark feature framework that replaces biased feature optimization with geometry-weighted feature fusion. We further introduce keypoint-consensus landmark sampling to select reliable Gaussians and local geometric consistency verification to reject mismatches caused by rendering artifacts. On the Cambridge Landmarks dataset, ULF-Loc reduces the mean median translation error by 17\% compared to the state-of-the-art, while achieving superior efficiency with only 1/10 the training time and 1/6 the GPU memory of STDLoc.
- Abstract（参考訳）: ビジュアルローカライゼーションは、拡張現実と自律ナビゲーションのコア技術である。
最近の手法では、3Dガウススティング(3DGS)の効率的なレンダリングと特徴量に基づくローカライゼーションが組み合わされている。
これらの手法は、2Dクエリ特徴と3Dガウス特徴場の直接マッチングに依存するが、学習されたガウス特徴に固有のバイアスがあるため、しばしばミスマッチが発生する。
理論的に3DGSにおける特徴学習プロセスを分析し、広く採用されている$α$-blending最適化が本質的に3Dポイント特徴にバイアスをもたらすことを明らかにした。
このバイアスは、個々のガウス人と近隣のガウス人の絡み合いから来ており、学習された特徴は正確なマッチングタスクには適さない。
これらの知見に触発されたULF-Locは、偏りのある特徴最適化を幾何重み付き特徴融合に置き換える、非バイアスの目立たしい特徴フレームワークである。
さらに、キーポイント・センサス・ランドマークサンプリングを導入し、信頼できるガウスを選定し、局所的な幾何整合性検証を行い、アーチファクトの描画によるミスマッチを除去する。
Cambridge Landmarksデータセットでは、ULF-Locは最先端と比較して平均中央値翻訳誤差を17倍に削減し、トレーニング時間の1/10とSTDLocのGPUメモリの1/6で優れた効率を実現している。
関連論文リスト
- NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting [41.21645092733966]
本稿では,多視点不整合な2次元特徴を持ち上げることで生成されるノイズの多い3次元セマンティックフィールドを改良するニューラル正規化手法を提案する。
実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
論文 参考訳（メタデータ） (2026-04-24T10:57:05Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - CF3: Compact and Fast 3D Feature Fields [31.791638071734337]
3D Gaussian Splatting (3DGS)は2Dファンデーションモデルから豊富な情報を取り入れ始めた。
本稿では,コンパクトかつ高速な3次元ガウス特徴場,すなわちCF3を構築するためのトップダウンパイプラインを提案する。
論文 参考訳（メタデータ） (2025-08-07T10:45:08Z) - Low-Frequency First: Eliminating Floating Artifacts in 3D Gaussian Splatting [33.688646593086816]
3D Gaussian Splatting (3DGS)は、3D再構成のための強力な表現である。
3DGSはフローティングアーティファクトをしばしば生成し、これは実際の幾何学から切り離された誤った構造である。
最適化されていないガウスを選択的に拡張し、高精度な低周波学習を優先するEFA-GSを提案する。
論文 参考訳（メタデータ） (2025-08-04T15:03:56Z) - SplatLoc: 3D Gaussian Splatting-based Visual Localization for Augmented Reality [50.179377002092416]
より少ないパラメータで高品質なレンダリングが可能な効率的なビジュアルローカライズ手法を提案する。
提案手法は,最先端の暗黙的視覚的ローカライゼーションアプローチに対して,より優れた,あるいは同等なレンダリングとローカライゼーション性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T08:46:16Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。
一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。
本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。
その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。
正規化として有効ランクを導入し、ガウスの構造を制約する。
論文 参考訳（メタデータ） (2024-06-17T15:51:59Z) - RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。
本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
論文 参考訳（メタデータ） (2024-06-03T15:56:58Z) - GOI: Find 3D Gaussians of Interest with an Optimizable Open-vocabulary Semantic-space Hyperplane [53.388937705785025]
3Dオープンボキャブラリのシーン理解は、拡張現実とロボット応用の推進に不可欠である。
GOIは2次元視覚言語基礎モデルから3次元ガウススプラッティング(3DGS)に意味的特徴を統合するフレームワークである。
提案手法では,特徴空間内の超平面分割として特徴選択処理を扱い,クエリに関連性の高い特徴のみを保持する。
論文 参考訳（メタデータ） (2024-05-27T18:57:18Z) - 3DGSR: Implicit Surface Reconstruction with 3D Gaussian Splatting [58.95801720309658]
本稿では,3次元ガウス散乱(3DGS),すなわち3DGSRを用いた暗黙的表面再構成法を提案する。
重要な洞察は、暗黙の符号付き距離場(SDF)を3Dガウスに組み込んで、それらが整列され、共同最適化されるようにすることである。
実験により, 3DGSの効率とレンダリング品質を保ちながら, 高品質な3D表面再構成が可能な3DGSR法が実証された。
論文 参考訳（メタデータ） (2024-03-30T16:35:38Z) - 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。