論文の概要: Pocket-SLAM: Rendering-Area-Aware Pruning for Memory-Efficient 3DGS-SLAM
- arxiv url: http://arxiv.org/abs/2606.24796v1
- Date: Tue, 23 Jun 2026 16:48:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:49.094665
- Title: Pocket-SLAM: Rendering-Area-Aware Pruning for Memory-Efficient 3DGS-SLAM
- Title（参考訳）: ポケットSLAM:メモリ効率3DGS-SLAMのためのレンダリングエリア対応プルーニング
- Abstract要約: 本稿では3DGS-SLAMのためのレンダリングエリア対応プルーニング戦略を提案する。
本手法は大規模屋外シーンにおける既存のプルーニング手法より一貫して優れる。
結果は、3DGS-SLAMを現実の自律運転シナリオにスケールするための有望な方向として、レンダリングエリア対応プルーニングを強調している。
- 参考スコア（独自算出の注目度）: 7.619292287345112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has garnered significant attention in Simultaneous Localization and Mapping (SLAM) due to its advances in capturing fine-grained geometry features and synthesizing novel views. For SLAM in large-scale scenes, such as autonomous driving, 3DGS-SLAM faces a critical limitation: memory consumption increases continuously over time as Gaussian points accumulate, leading to poor memory efficiency and limiting its applicability. In this work, we propose a rendering-area-aware pruning strategy that selectively removes Gaussians based on their contribution to the effective rendering area, rather than solely relying on Gaussian-level heuristics such as opacity or gradient magnitude. This perspective directly targets the sources of memory redundancy, effectively reducing the peak memory footprint of 3DGS-SLAM during runtime. Evaluations on the EuRoC and KITTI datasets demonstrate that our method consistently outperforms existing pruning approaches in large-scale outdoor scenes, achieving over 60% memory reduction and more than 2 times FPS improvement while preserving localization and mapping accuracy. These results highlight rendering-area-aware pruning as a promising direction for scaling 3DGS-SLAM to real-world autonomous driving scenarios. Our code is publicly available at https://github.com/UMN-ZhaoLab/Pocket-SLAM.git.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は、微粒な幾何学的特徴を捉え、新しいビューを合成する進歩により、SLAM (Sultaneous Localization and Mapping) において大きな注目を集めている。
3DGS-SLAMは、ガウス点の蓄積に伴ってメモリ消費が継続的に増加し、メモリ効率が低下し、適用性が制限される。
本研究では、不透明度や勾配等、ガウスレベルのヒューリスティックにのみ依存するのではなく、有効レンダリング領域への貢献に基づいてガウスを選択的に除去するレンダリングエリア対応プルーニング戦略を提案する。
この視点は、メモリ冗長性の源を直接ターゲットとし、実行時の3DGS-SLAMのピークメモリフットプリントを効果的に削減する。
EuRoC と KITTI のデータセットによる評価から,大規模な屋外シーンにおける既存のプルーニング手法よりも常に優れており,ローカライゼーションとマッピングの精度を維持しつつ,60%以上のメモリ削減と2倍以上のFPS改善を実現していることが示された。
これらの結果は、3DGS-SLAMを現実の自律運転シナリオに拡張する上で有望な方向として、レンダリングエリア認識プルーニングを強調している。
私たちのコードはhttps://github.com/UMN-ZhaoLab/Pocket-SLAM.gitで公開されています。
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) - Quantile Rendering: Efficiently Embedding High-dimensional Feature on 3D Gaussian Splatting [52.18697134979677]
コンピュータビジョンの最近の進歩は、3Dガウススプラッティング(3D-GS)を活用して、OVS(Open-vocabulary segmentation)を3Dドメインに拡張することに成功している。
既存の方法はコードブックや特徴圧縮を採用しており、情報損失を引き起こし、セグメンテーションの品質が低下する。
本稿では,高忠実度を維持しながら高次元特徴を効率的に処理する3次元ガウスの新たなレンダリング戦略であるQuantile Rendering(Q-Render)を紹介する。
本フレームワークは,512次元特徴写像上での43.7倍の高速化でリアルタイムレンダリングを実現するとともに,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2025-12-24T04:16:18Z) - DiskChunGS: Large-Scale 3D Gaussian SLAM Through Chunk-Based Memory Management [13.6622011777237]
DiskChunGSはスケーラブルな3DGS SLAMシステムで、シーンを空間的なチャンクに分割し、ディスク上の不活性領域を保存しながらGPUメモリ内のアクティブ領域のみを保持する。
我々のアーキテクチャは、ポーズ推定とループ閉鎖のための既存のSLAMフレームワークとシームレスに統合され、大規模に一貫した再構築を可能にします。
論文 参考訳（メタデータ） (2025-11-28T09:52:49Z) - MemGS: Memory-Efficient Gaussian Splatting for Real-Time SLAM [14.099868154929794]
我々は、レンダリング品質を向上しつつ、GPUメモリ使用率の観点から既存の手法を改善した。
具体的には、SLAMにおける冗長な3次元ガウス原始体に対処するために、幾何学的類似性に基づくボクセル空間にそれらをマージすることを提案する。
これにより、システムランタイムのパフォーマンスに影響を与えることなく、GPUメモリ使用量を減らすことができる。
論文 参考訳（メタデータ） (2025-09-16T21:03:55Z) - FlexGS: Train Once, Deploy Everywhere with Many-in-One Flexible 3D Gaussian Splatting [57.97160965244424]
3Dガウススプラッティング(3DGS)は、3Dシーン表現や新しいビュー合成に様々な応用を可能にしている。
従来のアプローチでは、重要でないガウス人を刈り取ることに重点を置いており、3DGSを効果的に圧縮している。
本稿では3DGSの弾性推論手法を提案する。
論文 参考訳（メタデータ） (2025-06-04T17:17:57Z) - VTGaussian-SLAM: RGBD SLAM for Large Scale Scenes with Splatting View-Tied 3D Gaussians [27.62796825514193]
最先端の手法では、シーンを表現するために3Dガウシアンを使用し、これらのガウシアンをスプラッティングでレンダリングすることで効率とレンダリングを向上する。
これらの手法は、非効率的な追跡とマッピング戦略のため、非常に大きなシーンにスケールアップできない。
この問題を解決するために,ビュータイド3Dガウシアンと呼ばれる新しい3D表現を扱う新しいトラッキングとマッピング戦略を提案する。
論文 参考訳（メタデータ） (2025-06-03T10:59:19Z) - 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) - Large-Scale Gaussian Splatting SLAM [21.253966057320383]
本稿では,LSG-SLAMと呼ばれるステレオカメラを用いた大規模3DGSベースの視覚SLAMを提案する。
EuRocとKITTIデータセットに対する広範な評価により、LSG-SLAMは既存のNeural、3DGSベースの、さらには従来のアプローチよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-05-15T03:00:32Z) - GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。
周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
論文 参考訳（メタデータ） (2024-02-15T17:32:50Z) - 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。