論文の概要: SplatlessDF: Continuous Distance Field Mapping with Non-Splatting Gaussians
- arxiv url: http://arxiv.org/abs/2606.13990v1
- Date: Fri, 12 Jun 2026 00:18:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.69063
- Title: SplatlessDF: Continuous Distance Field Mapping with Non-Splatting Gaussians
- Title（参考訳）: SplatlessDF:非格子ガウスを用いた連続距離場マッピング
- Abstract要約: 本研究では,空間的視点から異方性ガウス要素を用いた連続距離場(DF)マッピングフレームワークであるSplatlessDFを紹介する。
SplatlessDFはガウスとオプティミクスを直接パラメータ化して微分可能なDFを復元し、空間領域内で勾配と距離をクエリできる。
単体DFのみの定式化と2DGSを併用したDFレンダリングの定式化について検討した。
- 参考スコア（独自算出の注目度）: 4.842918836091873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent Gaussian splatting (GS) methods have shown that scenes can be represented efficiently with optimisable Gaussians for high-quality reconstruction and rendering. In this paper, building on this principle, we introduce SplatlessDF, a continuous distance field (DF) mapping framework that uses anisotropic Gaussian elements from a spatial rather than photometric perspective. SplatlessDF directly parameterises the Gaussians and optimises to recover a differentiable DF, enabling distances and gradients to be queried in the spatial domain for downstream robotic tasks such as navigation. Furthermore, SplatlessDF can be coupled with 2D Gaussian splatting (2DGS), providing a unified framework based solely on Gaussian primitives that can learn continuous DF and surface models and supports photometric rendering. We consider two settings: a standalone DF-only formulation and a joint DF-rendering formulation coupled with 2DGS. Experiments show that the standalone formulation provides efficient and accurate distance and gradient queries, while the joint formulation improves rendering geometry and simultaneously models a continuous DF. These results highlight the potential of GS-style representations not only for surface modelling and rendering but also for mapping representations suited to robotic navigation.
- Abstract（参考訳）: 近年のガウシアン・スプレイティング(GS)法では,高品質な再現とレンダリングのために最適なガウシアンを用いてシーンを効率的に表現できることが示されている。
本稿では,この原理に基づく連続距離場(DF)マッピングフレームワークであるSplatlessDFを紹介する。
SplatlessDFは、ガウシアンとオプティミムスを直接パラメータ化して、微分可能なDFを復元し、ナビゲーションのような下流ロボットタスクのために空間領域で距離と勾配をクエリすることができる。
さらに、SplatlessDFは2D Gaussian splatting (2DGS)と結合することができ、連続DFとサーフェスモデルを学習し、フォトメトリックレンダリングをサポートするガウスプリミティブのみをベースとした統一フレームワークを提供する。
単体DFのみの定式化と2DGSを併用したDFレンダリングの定式化について検討した。
実験により、スタンドアロンの定式化は効率的で正確な距離と勾配の問合せを提供する一方で、関節の定式化はレンダリングの幾何を改善し、同時に連続DFをモデル化することを示した。
これらの結果は、表面モデリングやレンダリングだけでなく、ロボットナビゲーションに適したマッピング表現にも、GSスタイルの表現の可能性を強調している。
関連論文リスト
- Gaussian-Voxel Duet: A Dual-Scaffolding Hybrid Representation for Fast and Accurate Monocular Surface Reconstruction [44.761930810527495]
3Dガウススプラッティングは、新規なビュー合成において顕著な成功を収めた。
しかし, 高速かつ高忠実な3次元再構成の追求は, 幾何精度と最適化効率のトレードオフによって長年拘束されてきた。
本稿では,足場アンコール型ガウシアンを共同最適化したスパース・ボクセル・足場に接続することで,よりよいトレードオフを図ろうとする。
論文 参考訳（メタデータ） (2026-05-26T06:53:47Z) - GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - GS-SDF: LiDAR-Augmented Gaussian Splatting and Neural SDF for Geometrically Consistent Rendering and Reconstruction [12.293953058837653]
デジタル双生児は、自律運転と具現化された人工知能の開発に基礎を成している。
ニューラルサインされた距離場とガウススプラッティングを相乗化する統合LiDAR視覚システムを提案する。
実験では、様々な軌道にまたがる再現精度とレンダリング品質が向上した。
論文 参考訳（メタデータ） (2025-03-13T08:53:38Z) - Planar Gaussian Splatting [42.74999794635269]
Planar Gaussian Splatting (PGS)は、3D幾何学を学習し、シーンの3D平面を解析する新しいニューラルネットワーク手法である。
PGSは3次元平面ラベルや深度監視を必要とせず、3次元平面再構成における最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-02T19:46:43Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。
我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。
いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-11-18T08:18:44Z) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - Neural Signed Distance Function Inference through Splatting 3D Gaussians Pulled on Zero-Level Set [49.780302894956776]
多視点表面再構成における符号付き距離関数(SDF)の推測は不可欠である。
本稿では3DGSとニューラルSDFの学習をシームレスに融合する手法を提案する。
我々の数値的および視覚的比較は、広く使用されているベンチマークの最先端結果よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-10-18T05:48:06Z) - GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。
本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-05-30T03:46:59Z) - Differentiable Rendering of Neural SDFs through Reparameterization [32.47993049026182]
ニューラルSDFにおける幾何学的シーンパラメータに対する正しい勾配を自動的に計算する手法を提案する。
提案手法は,地域サンプリング技術に基づいて,不連続性を考慮した連続的なワーピング機能を開発する。
我々の微分可能法は、多視点画像からの神経形状を最適化し、同等の3D再構成を生成できる。
論文 参考訳（メタデータ） (2022-06-10T20:30:26Z) - Gradient-SDF: A Semi-Implicit Surface Representation for 3D
Reconstruction [53.315347543761426]
Gradient-SDFは、暗黙的表現と明示的表現の利点を組み合わせた3次元幾何学の新しい表現である。
すべてのボクセルに符号付き距離場とその勾配ベクトル場を格納することにより、暗黙表現の能力を高める。
本研究では,(1)グラディエント・SDFは,ハッシュマップなどの効率的な記憶方式を用いて,深度画像からの直接SDF追跡を行うことができ,(2)グラディエント・SDF表現はボクセル表現で直接光度バンドル調整を行うことができることを示す。
論文 参考訳（メタデータ） (2021-11-26T18:33:14Z)
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。