論文の概要: GeoGS-SLAM: Online Monocular Reconstruction Using Gaussian Splatting with Geometric Priors
- arxiv url: http://arxiv.org/abs/2607.11184v1
- Date: Mon, 13 Jul 2026 07:32:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.36526
- Title: GeoGS-SLAM: Online Monocular Reconstruction Using Gaussian Splatting with Geometric Priors
- Title（参考訳）: GeoGS-SLAM:Geometric Priorsを用いたGaussian Splattingを用いたオンライン単分子再構成
- Abstract要約: 3DGSをベースとした地図表現と学習した幾何学的先行情報を組み合わせたオンライン単分子密度再構成システムGeoGS-SLAMを提案する。
カメラポーズとシーンマップは、光学的損失と幾何学的損失の両方を最小限に抑える粗大な戦略によって、共同最適化される。
- 参考スコア（独自算出の注目度）: 2.614894682819833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: SLAM methods based on 3D Gaussian Splatting (3DGS) have demonstrated impressive tracking and mapping performance, but typically require additional geometric information from external depth sensors. Meanwhile, recent SLAM systems that leverage geometric priors from pre-trained feed-forward models enable real-time dense reconstruction, yet often discard original RGB information during optimization, thus degrading overall reconstruction quality. We present GeoGS-SLAM, an online monocular dense reconstruction system that combines the 3DGS-based map representation with learned geometric priors. Given uncalibrated RGB input, we first employ a feed-forward visual geometry model to predict camera and scene priors. The Gaussian scene map is then expanded by directly sampling Gaussian primitives from both RGB input and geometric priors. Camera poses and the scene map are jointly optimized through a coarse-to-fine strategy that minimizes both photometric and geometric losses. To ensure global consistency, we further incorporate online loop closure detection and pose graph optimization. Extensive experiments across indoor and outdoor benchmarks demonstrate that GeoGS-SLAM achieves superior rendering quality and tracking accuracy compared to state-of-the-art methods while maintaining online real-time performance. Project page: https://rlgao.github.io/geogs_slam.
- Abstract（参考訳）: 3D Gaussian Splatting(3DGS)に基づくSLAM法は、目覚しい追跡とマッピング性能を示すが、通常は外部深度センサーからの幾何学的情報を必要とする。
一方、事前訓練されたフィードフォワードモデルから幾何的な事前情報を活用するSLAMシステムは、リアルタイムに高密度な再構成を可能にするが、最適化中に元のRGB情報を破棄することが多いため、全体の再構築品質が低下する。
3DGSをベースとした地図表現と学習した幾何学的先行情報を組み合わせたオンライン単分子密度再構成システムGeoGS-SLAMを提案する。
未校正RGB入力を前提として、まずフィードフォワード視覚幾何学モデルを用いて、カメラとシーンの先行を予測した。
ガウスのシーンマップは、RGB入力と幾何先行の両方からガウス原始体を直接サンプリングすることによって拡張される。
カメラポーズとシーンマップは、光学的損失と幾何学的損失の両方を最小限に抑える粗大な戦略によって、共同最適化される。
グローバルな一貫性を確保するため、オンラインループクロージャ検出とグラフ最適化を更に取り入れる。
屋内および屋外のベンチマークによる大規模な実験により、GeoGS-SLAMは、オンラインリアルタイムのパフォーマンスを維持しながら最先端の手法よりも優れたレンダリング品質と追跡精度を達成することが示された。
プロジェクトページ: https://rlgao.github.io/geogs_slam.com
関連論文リスト
- GeoGS-SLAM: Geometry-Only Gaussian Splatting for Dense Monocular SLAM [6.344587694040345]
既存の3DGSフレームワークは外観モデリングと幾何学モデリングの両方に焦点を当てている。
本研究では,シーン形状を直接再構成するGeoGS(Geometry-only Gaussian Splatting)を提案する。
GeoGSは、プリミティブ単位のパラメータ数を80%以上削減するために、空間パラメータのみを保持する。
論文 参考訳（メタデータ） (2026-07-08T14:22:05Z) - 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) - 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) - GS-2DGS: Geometrically Supervised 2DGS for Reflective Object Reconstruction [51.99776072246151]
2次元ガウス散乱(2DGS)に基づく反射物体に対するGS-2DGSと呼ばれる新しい再構成法を提案する。
合成および実データを用いた実験結果から,本手法はガウスの手法を再現・啓蒙の面で著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-06-16T05:40:16Z) - 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) - AGS-Mesh: Adaptive Gaussian Splatting and Meshing with Geometric Priors for Indoor Room Reconstruction Using Smartphones [19.429461194706786]
室内シーンの正確な3次元再構成のためのガウススメッティング法における接合面深度と正規化のアプローチを提案する。
我々のフィルタリング戦略と最適化設計は、メッシュ推定と新規ビュー合成の両方において大きな改善を示す。
論文 参考訳（メタデータ） (2024-11-28T17:04:32Z) - HI-SLAM2: Geometry-Aware Gaussian SLAM for Fast Monocular Scene Reconstruction [38.47566815670662]
HI-SLAM2は、RGB入力のみを用いて高速かつ正確な単眼シーン再構築を実現する幾何学的ガウスSLAMシステムである。
既存のニューラルSLAM法よりも大幅に改善され,RGB-D法を上回り,再現性もレンダリング性も向上した。
論文 参考訳（メタデータ） (2024-11-27T01:39:21Z) - 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) - Trim 3D Gaussian Splatting for Accurate Geometry Representation [72.00970038074493]
画像から正確な3次元形状を復元するためにTrim 3D Gaussian Splatting (TrimGS)を導入する。
実験および理論的解析により、比較的小さなガウススケールが複雑な詳細を表現・最適化する非無視因子であることが判明した。
元の3DGSと最先端の2DGSと組み合わせると、TrimGSは一貫してより正確な幾何学と高い知覚品質が得られる。
論文 参考訳（メタデータ） (2024-06-11T17:34:46Z) - Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。
本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。
Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
論文 参考訳（メタデータ） (2024-05-26T12:26:54Z) - 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。