論文の概要: ScaRF-SLAM: Scale-Consistent Reconstruction with Feed-Forward Models and Classical Visual SLAM
- arxiv url: http://arxiv.org/abs/2606.00307v1
- Date: Fri, 29 May 2026 19:34:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 15:49:05.795653
- Title: ScaRF-SLAM: Scale-Consistent Reconstruction with Feed-Forward Models and Classical Visual SLAM
- Title（参考訳）: ScaRF-SLAM:フィードフォワードモデルと古典視覚SLAMを用いたスケール一貫性再構成
- Abstract要約: 本稿では,従来の機能ベースSLAMを基盤モデル(GFM)と統合し,低レイテンシのロバストな追跡を行う脱結合フレームワークを提案する。
提案手法は,既存手法よりも10%～20%精度を向上しつつ,軌道精度を向上する。
提案手法は,既存手法に比べて10%～20%精度が向上し,軌道精度が向上することを示す。
- 参考スコア（独自算出の注目度）: 10.058942794895703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works have explored unifying SLAM with geometric foundation models (GFMs). However, directly using GFM predictions for tracking is highly sensitive to model capability and uncertainty, as geometric inaccuracies in the predictions can adversely affect pose estimation. To address this limitation, we present a decoupled framework that integrates classical feature-based SLAM with GFMs, which achieves higher quality and more consistent dense reconstruction. In brief, we use classical visual SLAM for robust low-latency tracking and use GFMs exclusively for mapping. By anchoring mapping to poses produced by the SLAM module and optimizing across depth scales, the proposed design avoids propagating inaccuracies from GFM predictions into pose estimation while imposing geometric constraints on the reconstruction. The system builds submaps from multiple posed keyframes and enforces scale consistency via lightweight frame and submap scale optimization. It also performs projection-based point cloud fusion within each submap, and updates submaps online to reflect trajectory updates from the feature-based SLAM. To evaluate tracking and reconstruction of our method, we introduce a loop-rich, building-scale indoor dataset with accurate sensor trajectories and LiDAR ground-truth. Experiments show that our approach achieves superior trajectory accuracy while improving reconstruction precision by 10%-20% over existing methods, with about 2 cm reconstruction error per 10 m chunk on building-scale dataset. On large-scale outdoor datasets, it attains 10 cm error per 30 m chunk (w.r.t LiDAR ground-truth models).
- Abstract（参考訳）: 近年の研究では、SLAMと幾何基礎モデル(GFM)の統合が検討されている。
しかし,GAM予測を直接追跡することはモデル能力や不確実性に非常に敏感であり,予測における幾何学的不正確さはポーズ推定に悪影響を及ぼす可能性がある。
この制限に対処するため,従来の特徴量ベースSLAMとGFMを統合し,より高品質で一貫した高密度再構成を実現する脱結合フレームワークを提案する。
簡単に言えば、私たちは古典的な視覚SLAMを低遅延追跡に使用し、マッピングにのみGFMを使用します。
SLAMモジュールが生成したポーズへのマッピングを固定し、深さスケールを最適化することにより、GFM予測からの不正確さの伝播を回避し、再構成に幾何的制約を課すことなくポーズ推定を行う。
このシステムは、複数のキーフレームからサブマップを構築し、軽量フレームとサブマップスケール最適化を通じてスケール一貫性を強制する。
また、各サブマップ内でプロジェクションベースのポイントクラウド融合を実行し、サブマップをオンラインで更新し、機能ベースのSLAMからのトラジェクトリ更新を反映する。
提案手法の追跡と再構築を評価するため,正確なセンサトラジェクトリとLiDAR地下構造を備えたループリッチでビルスケールの屋内データセットを導入した。
提案手法は,10mチャンクあたり約2cmの復元誤差を建物規模データセット上で有意な精度で再現精度を10%-20%向上させながら,良好な軌道精度が得られることを示す。
大規模な屋外データセットでは、30mチャンクあたり10cmの誤差(LiDARの地上構造モデル)を達成している。
関連論文リスト
- Improving Map Consistency in Graph-Based LiDAR SLAM Through Information-Aware Odometry and Retroactive Loop Closure [22.762295959731233]
我々は,3次元LiDAR SLAMにおけるグローバルな軌道推定と局所地図品質の改善の問題に対処する。
まず,ICP の幾何依存情報行列を効率的に推定する枠組みを提案し,ポーズグラフにおけるオドメトリー制約の原理的重み付けを可能にする。
次に、位置認識を幾何学的登録から切り離す階層的なループ閉鎖モジュールと、最適化されたポーズグラフを利用してループ閉鎖を復元する遡及的なループ閉鎖モジュールを導入する。
論文 参考訳（メタデータ） (2026-07-15T07:12:14Z) - PRISM-SLAM: Probabilistic Ray-Grounded Inference for Scale-aware Metric SLAM [0.0]
PRISM-SLAMは、VFMプリエントを構造化ベイズ因子グラフに厳密に統合するリアルタイムフレームワークである。
我々は,一貫した距離座標系内の絶対空間における単分子観測を固定するために,チャンカー線距離係数を導入する。
VFM推論と幾何追跡を非同期に処理するマルチプロセスアーキテクチャを利用することで、PRISM-SLAMはRGB入力のみを使用して、30FPSで検証済みのメトリック出力を提供する。
論文 参考訳（メタデータ） (2026-05-19T02:10:04Z) - GaussianFlow SLAM: Monocular Gaussian Splatting SLAM Guided by GaussianFlow [7.598885266145037]
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。
論文 参考訳（メタデータ） (2026-04-17T01:34:46Z) - Accelerating Transformer-Based Monocular SLAM via Geometric Utility Scoring [35.53949236541258]
LeanGateは軽量なフィードフォワードフレームゲーティングネットワークである。
フレームのマッピング値を評価するための幾何学的ユーティリティスコアを予測する。
予測的なプラグアンドプレイモジュールとして、我々のアプローチは冗長フレームの90%以上をバイパスする。
論文 参考訳（メタデータ） (2026-04-09T19:12:37Z) - KaoLRM: Repurposing Pre-trained Large Reconstruction Models for Parametric 3D Face Reconstruction [51.67605823241639]
KaoLRMは、一視点画像からパラメトリックな3次元顔再構成を行うために、Large Restruction Model (LRM)の学習前を再度ターゲットする。
制御されたベンチマークと内部ベンチマークの両方の実験により、KaoLRMはより優れた再構成精度とクロスビュー整合性を実現することが示された。
論文 参考訳（メタデータ） (2026-01-19T05:36:59Z) - FoundationSLAM: Unleashing the Power of Depth Foundation Models for End-to-End Dense Visual SLAM [50.9765003472032]
FoundationSLAMは、正確でロバストな追跡とマッピングのための学習ベースの単分子高密度SLAMシステムである。
我々の中核となる考え方は、基礎深度モデルからのガイダンスを活用することによって、推論によるフロー推定をブリッジすることである。
論文 参考訳（メタデータ） (2025-12-31T17:57:45Z) - SING3R-SLAM: Submap-based Indoor Monocular Gaussian SLAM with 3D Reconstruction Priors [80.51557267896938]
SING3R-SLAMはガウスベースの高密度RGB SLAMフレームワークである。
SING3R-SLAMは最先端のトラッキング、3D再構成、新しいビューレンダリングを実現し、12%以上の精度向上を実現し、より細かな幾何を創出する。
論文 参考訳（メタデータ） (2025-11-21T12:40:55Z) - 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) - 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) - Loopy-SLAM: Dense Neural SLAM with Loop Closures [53.11936461015725]
ポーズをグローバルに最適化するLoopy-SLAMと高密度3Dモデルを導入する。
我々は,データ駆動のポイントベースサブマップ生成手法を用いてフレーム・ツー・モデル追跡を行い,グローバルな位置認識を行うことで,オンラインのループクロージャをトリガーする。
合成Replicaおよび実世界のTUM-RGBDおよびScanNetデータセットの評価は、既存の高密度ニューラルネットワークRGBD SLAM法と比較して、追跡、マッピング、レンダリングの精度の競争力または優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-14T18:18:32Z) - UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。
本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-19T16:26:25Z)
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。