論文の概要: MoPe: Motion Permanence for Robust Monocular Gaussian Mapping in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2606.29237v1
- Date: Sun, 28 Jun 2026 06:51:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.84154
- Title: MoPe: Motion Permanence for Robust Monocular Gaussian Mapping in Dynamic Environments
- Title（参考訳）: MoPe: 動的環境におけるロバストな単分子ガウスマッピングのための運動パーマンス
- Abstract要約: MoPeは単分子ガウス写像のためのメモリ対応不確実性フィルタである。
これは、幾何に一貫性のあるSE(3)のワープを通じて歴史的なダイナミックな後部を伝播させ、それを現在のフレームの証拠と融合させる。
Wild-SLAM、Bon、TUM配列では、MoPeはロバストネストラッキングを改善し、残留ゴーストを減らす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robust robot autonomy depends on scene representations that remain stable enough to support localization, navigation, and downstream decision making in dynamic environments. Monocular Gaussian Splatting SLAM provides high-fidelity mapping, but current uncertainty-aware methods still treat dynamic regions largely as per-frame observations. This makes the representation effectively memoryless: when a pedestrian slows, pauses, or reappears after occlusion, the current frame may look static, allowing dynamic content to be absorbed into the map and leaving persistent ghosting artifacts. We argue that this failure reflects a representation-level mismatch. Dynamic-ness is not an instantaneous appearance property, but a temporal property defined by motion history. Building on this view, we introduce Motion Permanence: the principle that an object's dynamic identity should persist over time rather than be re-decided from each frame independently. We realize this principle in MoPe, a memory-aware uncertainty filter for monocular Gaussian mapping. MoPe propagates the historical dynamic posterior through geometry-consistent SE(3) warping and fuses it with current-frame evidence using bounded Bayesian log-odds updates. The resulting persistent posterior guides tracking, mapping, dynamic-aware Gaussian insertion, and Gaussian-level post-cleanup. On Wild-SLAM, Bonn, and TUM sequences, MoPe improves tracking robustness and reduces residual ghosting, with the strongest gains on dynamic-human scenes that most directly violate the memoryless assumption. These results show that maintaining temporal dynamic state inside the scene representation is a practical step toward more reliable representation-centric autonomy in changing real-world environments.
- Abstract（参考訳）: ロバストロボットの自律性は、動的環境におけるローカライゼーション、ナビゲーション、下流決定を支援するのに十分な安定性を持つシーン表現に依存する。
単分子ガウス散乱SLAMは高忠実度マッピングを提供するが、現在の不確実性認識法は、フレーム単位の観測として、動的領域を主に扱う。
歩行者が閉塞後に遅くなったり、一時停止したり、あるいは再び現れると、現在のフレームは静的に見え、動的なコンテンツがマップに吸収され、永続的なゴーストアーティファクトが残る。
この失敗は表現レベルのミスマッチを反映していると我々は主張する。
ダイナミックネスは、瞬時に現れる特性ではなく、運動履歴によって定義される時間的特性である。
オブジェクトの動的アイデンティティは、各フレームから独立して再決定されるのではなく、時間とともに持続するべきだという原則です。
この原理は、単分子ガウス写像のためのメモリ認識不確実性フィルタであるMoPeで実現されている。
MoPeは、幾何に一貫性のあるSE(3)のワープを通じて歴史的なダイナミックな後部を伝播し、境界ベイズ対数更新を用いて現在のフレームのエビデンスと融合する。
その結果、持続的な後部ガイドは追跡、マッピング、動的に認識されるガウスの挿入、ガウスレベルのポストクリーンアップである。
Wild-SLAM、Bonn、TUMのシーケンスでは、MoPeは追跡の堅牢性を改善し、残留ゴーストを減らす。
これらの結果から,シーン表現における時間的動的状態の維持は,現実環境の変化において,より信頼性の高い表現中心の自律性を実現するための実践的なステップであることが示唆された。
関連論文リスト
- RoSe-SLAM: Robust Semantic-Aware Gaussian Splatting SLAM from Dynamic Monocular Videos [15.997523841343785]
本稿では,ロバスト・セマンティック・アウェア・ガウス・スプティングSLAM(RoSe-SLAM)を提案する。
従来の意味的ラベルを用いた意味的SLAMとは異なり、RoSe-SLAMは2次元基礎モデルからの意味的特徴を利用して動的追跡とマッピング性能を向上させる。
提案手法は軌道推定と静的シーンマッピングの両方において優れた性能を示し, 長期間の屋内環境における既存の動的RGB SLAMベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2026-08-29T02:26:23Z) - DSAR: Dual-Stream Autoregressive Modeling of Temporal Cloth Dynamics for Photorealistic Animatable Avatars [7.198815179389743]
本稿では,観測可能な幾何学的情報と暗黙的な内部状態の両方を明示的にモデル化する,二重ストリーム自動回帰フレームワークを提案する。
挑戦的なデータセットの実験では、レンダリング品質、時間的一貫性、トレーニング分布を超えた動きパターンへの一般化が大幅に改善された。
論文 参考訳（メタデータ） (2026-08-11T05:19:21Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - DROID-SLAM in the Wild [76.259688785743]
本稿では,異なる不確かさを意識したバンドル調整を利用して動的環境を処理するリアルタイムRGB SLAMシステムを提案する。
提案システムは,10FPS前後でリアルタイムに動作しながら,散在する動的シナリオにおいて,最先端カメラのポーズとシーン形状を実現する。
論文 参考訳（メタデータ） (2026-03-19T16:02:12Z) - Mango-GS: Enhancing Spatio-Temporal Consistency in Dynamic Scenes Reconstruction using Multi-Frame Node-Guided 4D Gaussian Splatting [17.957935001501106]
我々は,高忠実度4D再構成のためのノード誘導フレームワークMango-GSを提案する。
時間変換器を利用して、フレームの短いウィンドウ内での動作依存をモデル化する。
Mango-GSは、最先端の再構築品質とリアルタイムレンダリング速度を達成する。
論文 参考訳（メタデータ） (2026-03-12T05:00:16Z) - DynaPURLS: Dynamic Refinement of Part-aware Representations for Skeleton-based Zero-Shot Action Recognition [51.80782323686666]
textbfDynaPURLSは、堅牢でマルチスケールなビジュアル・セマンティック対応を確立する統一的なフレームワークである。
我々のフレームワークは、グローバルな動きと局所的な身体部分のダイナミクスの両方を含む階層的なテキスト記述を生成するために、大きな言語モデルを活用する。
NTU RGB+D 60/120とPKU-MMDを含む3つの大規模ベンチマークデータセットの実験は、DynaPURLSが先行技術よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-12-12T10:39:10Z) - Splannequin: Freezing Monocular Mannequin-Challenge Footage with Dual-Detection Splatting [28.641196407703315]
モノクロのMannequin-Challenge(MC)ビデオから高忠実度凍結した3Dシーンを作成します。
私たちのゴールは、動きをモデリングするのではなく、微妙なダイナミクスを保ちながら凍ったシーンを作ることです。
提案手法は,単純な損失項によって既存の動的ガウスパイプラインに統合され,アーキテクチャ上の変更を必要とせず,推論オーバーヘッドがゼロになる。
論文 参考訳（メタデータ） (2025-12-04T18:59:53Z) - MUT3R: Motion-aware Updating Transformer for Dynamic 3D Reconstruction [24.474529522394405]
MUT3Rは,注意由来の動作キューを適用して,推論中の動的コンテンツを抑制する学習自由フレームワークである。
我々はモデルを再訓練したり微調整したりせず、事前訓練されたトランスフォーマーが自身の動きの手がかりを診断し、修正する。
論文 参考訳（メタデータ） (2025-12-03T16:36:53Z) - STD-GS: Exploring Frame-Event Interaction for SpatioTemporal-Disentangled Gaussian Splatting to Reconstruct High-Dynamic Scene [54.418259038624406]
既存の手法ではフレームカメラのシーンと直接一致させるために統一表現モデル(例えばガウシアン)を採用している。
しかし、この統一パラダイムは、フレームの特徴と背景とオブジェクト間の不連続な空間的特徴により、オブジェクトの潜在的時間的特徴に失敗する。
本研究では,フレームカメラを補うイベントカメラを導入し,高ダイナミックなシーン再構成のための時分割型ガウススプレイティングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-29T09:32:06Z) - UP-SLAM: Adaptively Structured Gaussian SLAM with Uncertainty Prediction in Dynamic Environments [1.4117999181375773]
UP-SLAMは動的環境のためのリアルタイムRGB-D SLAMシステムである。
並列化フレームワークを通じて追跡とマッピングを分離する。
実験により、ローカライズ精度とレンダリング品質の両方において最先端の手法より優れていることが示唆された。
論文 参考訳（メタデータ） (2025-05-28T13:23:16Z) - Efficient Gaussian Splatting for Monocular Dynamic Scene Rendering via Sparse Time-Variant Attribute Modeling [64.84686527988809]
Deformable Gaussian Splattingは、現実世界のダイナミックなシーンを表現する堅牢なソリューションとして登場した。
提案手法は,古典的カーネル表現を用いて計算された密度ガウスの運動流を用いて,スパースアンカーグリッド表現を用いて動的シーンを定式化する。
2つの実世界のデータセットの実験により、EDGSはレンダリング速度を大幅に改善し、より優れたレンダリング品質を実現しています。
論文 参考訳（メタデータ） (2025-02-27T18:53:06Z) - UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。
動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。
提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-12-04T16:59:49Z)
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。