論文の概要: Geometry-Preserving in 3D Gaussian Splatting for LiDAR-Camera Extrinsic Calibration
- arxiv url: http://arxiv.org/abs/2606.20103v1
- Date: Thu, 18 Jun 2026 11:23:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.820367
- Title: Geometry-Preserving in 3D Gaussian Splatting for LiDAR-Camera Extrinsic Calibration
- Title（参考訳）: LiDAR-Camera Extrinsic Calibrationのための3次元ガウス平板の幾何保存
- Abstract要約: 3D Gaussian Splatting (3DGS)は、LiDARとカメラを単一の微分可能なフレームワークにブリッジする幾何学的プロキシとして広く採用されている。
本稿では,多視点LiDAR観測を集約することにより,ガウスプロキシの幾何学的幾何を保存するフレームワークを提案する。
提案手法を公共運転データセット上で検証し,キャリブレーション精度において既存のターゲットレス手法より一貫して優れていることを示す。
- 参考スコア（独自算出の注目度）: 7.536387580547838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate LiDAR-camera calibration is essential for robust multi-modal perception. Targetless approaches avoid manual setup but remain limited by the scarcity of discriminative cross-modal features. Recent methods address this by reconstructing the scene within a differentiable model, enabling extrinsic optimization through dense photometric supervision. Among these, 3D Gaussian Splatting (3DGS) has been widely adopted as a geometric proxy that bridges LiDAR and camera within a single differentiable framework. However, since 3DGS was originally designed for novel view synthesis, existing methods tend to prioritize rendering quality, causing the proxy geometry to drift from the true LiDAR structure. We propose a framework that preserves the metric geometry of the Gaussian proxy by aggregating multi-view LiDAR observations for dense depth supervision and blocking photometric gradients from updating the Gaussian spatial parameters. We validate our method on public driving datasets, where it consistently outperforms existing targetless methods in calibration accuracy.
- Abstract（参考訳）: 正確なLiDARカメラキャリブレーションは、堅牢なマルチモーダル知覚に不可欠である。
ターゲットレスアプローチは手動のセットアップを避けるが、差別的なクロスモーダルな特徴の不足によって制限される。
近年の手法では、シーンを微分可能なモデルで再構成することで、高密度光度監視による外部最適化を実現している。
このうち3D Gaussian Splatting (3DGS) は、LiDARとカメラを単一の微分可能なフレームワークにブリッジする幾何学的プロキシとして広く採用されている。
しかし、3DGSはもともと新しいビュー合成のために設計されたため、既存の手法ではレンダリング品質を優先する傾向があり、プロキシ幾何学は真のLiDAR構造から逸脱する。
本稿では,多視点LiDAR観測を高密度深度監視のために集約し,ガウス空間パラメータの更新から光度勾配をブロックすることにより,ガウスプロキシの幾何学的幾何を保存するフレームワークを提案する。
提案手法を公共運転データセット上で検証し,キャリブレーション精度において既存のターゲットレス手法より一貫して優れていることを示す。
関連論文リスト
- MyGO-Splat: Multi-Objective Closed-Loop Geometric Feedback for RGB-Only Gaussian SLAM [22.81691196847663]
MyGO-Splatは閉ループガウスのSLAMフレームワークで、プリミティブをピクセル幅の深さと表面の正規に解析する。
この閉ループ設計によりスケール安定性と外観形状の整合性が向上し,単分子入力のみを使用しながらRGB-D法に匹敵する性能が得られることを示す。
論文 参考訳（メタデータ） (2026-06-29T03:22:06Z) - Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints [5.142415132534398]
LiDAR統合によるガウス鋳型(3DGS)の構造的枠組み(構造化Li-GS)
構造化Li-GSは、高精度で密度の高い色の点雲をトレーニングすることで、より少ないガウスで高品質な3D再構成を実現する。
ハードウェア同期型LiDARカメラハンドヘルドスキャナを試作した。
論文 参考訳（メタデータ） (2026-06-25T19:49:22Z) - Gau-Occ: Geometry-Completed Gaussians for Multi-Modal 3D Occupancy Prediction [40.5891357994769]
Gau-Occは、密度の高いボリューム処理をバイパスするマルチモーダルフレームワークである。
幾何整列した2Dサンプリングとクロスモーダルアライメントにより、マルチビューイメージセマンティクスを統合する。
論文 参考訳（メタデータ） (2026-03-24T06:44:46Z) - 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) - DLBAcalib: Robust Extrinsic Calibration for Non-Overlapping LiDARs Based on Dual LBA [11.721420447780032]
本稿では,マルチLiDARシステムのための新しいターゲットレス外部キャリブレーションフレームワークを提案する。
提案手法は,目標LiDARからの連続走査により,正確な基準点クラウドマップを構築する。
本フレームワークでは,平均翻訳誤差が5mm,回転誤差が0.2deg,初期誤差が0.4m/30degである。
論文 参考訳（メタデータ） (2025-07-12T07:48:02Z) - Targetless LiDAR-Camera Calibration with Neural Gaussian Splatting [28.41267004945046]
本稿では,ニューラルベースガウス表現と協調してセンサポーズを最適化するTLC(Targetless LiDAR scene)を提案する。
光度および幾何正則化による完全微分可能なパイプラインは、ロバストで一般化可能なキャリブレーションを実現する。
論文 参考訳（メタデータ） (2025-04-06T20:00:01Z) - Robust LiDAR-Camera Calibration with 2D Gaussian Splatting [0.3281128493853064]
LiDARとカメラデータを統合するための重要な最初のステップは、LiDARカメラシステムの校正である。
既存のキャリブレーション手法の多くは、複雑な手動操作を含む補助対象オブジェクトに依存している。
幾何学的制約を用いたLiDARカメラの外部パラメータを推定するキャリブレーション手法を提案する。
論文 参考訳（メタデータ） (2025-04-01T08:19:26Z) - GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization [20.26969580492428]
我々はGeomGS(Geometry-Aware Gaussian Splatting)と呼ばれる新しい3DGS法を提案する。
我々のGeomGSは、幾何および局所化性能をいくつかのベンチマークで示すとともに、測光性能も改善している。
論文 参考訳（メタデータ） (2025-01-23T06:43:38Z) - Deformable Radial Kernel Splatting [53.92593804734493]
Deformable Radial Kernel (DRK)を導入し,ガウススプラッティングをより汎用的で柔軟なフレームワークに拡張する。
DRKは、エッジシャープネスと境界曲率の正確な制御を可能にしながら、様々な形状プリミティブを効率的にモデル化する。
論文 参考訳（メタデータ） (2024-12-16T13:11:02Z) - 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) - GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。
最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。
この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。
この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z)
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。