論文の概要: Efficient Sparse-to-Dense Visual Localization via Compact Gaussian Scene Representation and Accelerated Dense Pose Estimation

• arxiv url: http://arxiv.org/abs/2605.17777v1
• Date: Mon, 18 May 2026 02:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.610965
• Title: Efficient Sparse-to-Dense Visual Localization via Compact Gaussian Scene Representation and Accelerated Dense Pose Estimation
• Title（参考訳）: コンパクトガウスシーン表現とアクセラレーションド・デンス・ポーズ推定による効率的なスパース・ツー・デンス視覚像定位
• Authors: Zizhuo Li, Songchu Deng, Linfeng Tang, Jiayi Ma,
• Abstract要約: 3次元ガウス平板上に構築した新規で効率的なローカライザLiteLoc(3DGS)について紹介する。 メモリと計算の両方において、LiteLocをより効率的にする、単純かつ高効率な2つの改善点を導出する。 実験の結果、LiteLocはSTDLOCをはるかに上回る効率で複数の場面で上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 41.36696715641265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter presents LiteLoc, a novel and efficient localizer built on 3D Gaussian Splatting (3DGS). The previous state-of-the-art (SoTA) sparse-to-dense localizer, STDLoc, has shown remarkable localization capability but suffers from severe storage redundancy and computational latency. By revisiting its design decisions, we derive two simple yet highly effective improvements that cumulatively make LiteLoc much more efficient in both memory and computation, while also being easier to train. One key observation is that the color field, inherited directly from Feature 3DGS, is functionally useless for localization. Yet, its reconstruction of high-frequency photometric details necessitates excessive Gaussian primitives, resulting in a tightly coupled color-feature representation with significant memory overhead and sub-optimal feature field optimization. To resolve this, we propose a color-free decoupled feature field that constructs a compact Gaussian scene representation by retaining only task-essential feature attributes, thereby eliminating approximately 94% of redundant storage with no loss of localization-relevant information. We further find that the primary computational bottleneck lies in the dense Perspective-n-Point (PnP) solver, where most matches contribute saturated geometric constraints with diminishing accuracy gains. Accordingly, we propose a condensing strategy that distills dense matches into a subset of 5% representative matches, enabling a nearly 19-fold speedup in robust estimation with negligible performance drop. Extensive experiments show that LiteLoc surpasses STDLoc in multiple scenes with considerable efficiency benefits, opening up exciting prospects for latency-sensitive visual localization.
• Abstract（参考訳）: このレターはLiteLocを提示する。LiteLocは3D Gaussian Splatting(3DGS)上に構築された斬新で効率的なローカライザである。 従来のSparse-to-denseローカライザであるSTDLOCは、大きなローカライゼーション能力を示しているが、ストレージの冗長性と計算遅延に悩まされている。 設計上の決定を再考することで、LiteLocをメモリと計算の両方ではるかに効率的にし、トレーニングも簡単になります。 1つの重要な観察は、Feature 3DGSから直接受け継がれたカラーフィールドが、ローカライゼーションに機能的に役に立たないことである。 しかし、その高周波測光の詳細の再構成は、過剰なガウス的プリミティブを必要とするため、大きなメモリオーバーヘッドと準最適特徴場最適化を備えた密結合な色特徴表現をもたらす。 そこで本研究では,タスク固有特徴属性のみを保持することで,コンパクトなガウスシーン表現を構築することで,局所化関連情報が失われることなく,冗長ストレージの約94%を排除し,カラーフリーな非結合特徴フィールドを提案する。 さらに、主計算ボトルネックは高密度なパースペクティブ-n-Point (PnP) ソルバにあり、ほとんどのマッチは精度の低下を伴う飽和な幾何的制約に寄与する。 そこで本研究では,高密度マッチを5%代表マッチのサブセットに蒸留し,無視可能な性能低下を伴うロバストな推定において,約19倍の高速化を実現するコンデンシング戦略を提案する。 大規模な実験により、LiteLocはSTDLocをはるかに効率の良い複数のシーンで上回り、遅延に敏感な視覚的ローカライゼーションのエキサイティングな展望が開けた。

関連論文リスト

• 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)
• LODGE: Level-of-Detail Large-Scale Gaussian Splatting with Efficient Rendering [75.67501939005119]
  メモリ制約デバイス上での3次元ガウススプラッティングのための新しいレベル・オブ・ディーテール(LOD)法を提案する。 カメラ距離に基づいてガウスの最適部分集合を反復的に選択する。 本手法は,屋外(階層型3DGS)と屋内(Zip-NeRF)の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-05-29T06:50:57Z)
• Efficient LoFTR: Semi-Dense Local Feature Matching with Sparse-Like Speed [42.861344584752]
  従来は検出不要であったLoFTRは、大きな視点の変化とテクスチャ・ポーアのシナリオを扱う際、顕著な整合性を示した。 設計上の選択を再検討し、効率と精度の両面で複数の改善を導出する。 提案手法は,競争力のあるセミセンス・マーカと比較して高い精度を実現することができる。
  論文  参考訳（メタデータ） (2024-03-07T18:58:40Z)
• 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。