論文の概要: RoGS: Adaptive Meshgrid Gaussian for Large-Scale Road Surface Mapping

• arxiv url: http://arxiv.org/abs/2607.15048v1
• Date: Thu, 16 Jul 2026 14:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.135026
• Title: RoGS: Adaptive Meshgrid Gaussian for Large-Scale Road Surface Mapping
• Title（参考訳）: RoGS: 大規模道路表面マッピングのための適応型メッシュグリッドガウシアン
• Authors: Tianchen Deng, Zhiheng Feng, Wenhua Wu, Ziming Li, Siting Zhu, Hesheng Wang,
• Abstract要約: 道路面のマッピングは、自律走行において重要な役割を担い、高精細マップの生成と車線レベルの知覚をサポートする。 近年,メッシュを用いた道路表面の復元手法は有望な成果を上げているが,再建品質の制限と高い最適化コストに悩まされている。 本稿では,適応型メッシュグリッドガウス表現に基づく,ロバストで効率的な道路面マッピングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.534227619549487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Road surface mapping plays a crucial role in autonomous driving, supporting high-definition map generation, lane-level perception, and automatic road annotation. Recent mesh-based road surface reconstruction methods have shown promising results, but they still suffer from limited reconstruction quality and high optimization cost, especially in large-scale driving scenarios. To address these limitations, we propose ROADGS-T, a robust and efficient large-scale road surface mapping framework based on adaptive meshgrid Gaussian representation. Specifically, we model the road surface by placing 2D Gaussian surfels on a meshgrid, where each surfel explicitly stores color, semantic, and geometric information. Compared with conventional mesh-based representations and 3D Gaussian primitives, the proposed meshgrid Gaussian representation better matches the thin-surface property of roads while significantly reducing redundant primitives and overlap during optimization. To further improve representation efficiency and structural fidelity, we introduce a road-structure-aware adaptive meshgrid strategy, which allocates denser Gaussian surfels to geometrically or semantically complex regions, such as lane markings, road boundaries, and height discontinuities, while maintaining a compact representation in flat road areas. Moreover, instead of relying on a single nearest vehicle pose, we design a trajectory-consistency-guided pose-robust refinement strategy, which estimates local surface priors from multiple neighboring poses and adaptively weights pose-guided height regularization according to their geometric consistency.
• Abstract（参考訳）: 道路面マッピングは、自律走行において重要な役割を担い、高精細マップ生成、車線レベルの認識、自動道路アノテーションをサポートする。 近年のメッシュベース道路面復元法は有望な成果を上げているが,特に大規模運転シナリオにおいて,再建品質の限界と高い最適化コストに悩まされている。 これらの制約に対処するために,適応メッシュグリッドガウス表現に基づく堅牢で効率的な道路面マッピングフレームワークであるROADGS-Tを提案する。 具体的には,メッシュグリッド上に2次元ガウス・サーベイルを配置し,各サーベイルが色,意味,幾何学的情報を明示的に記憶することで,路面をモデル化する。 従来のメッシュベース表現や3Dガウスプリミティブと比較すると,メッシュグリッドガウス表現は道路の地表面特性とよく一致し,冗長プリミティブと最適化時の重複を著しく低減する。 さらに表現効率と構造的忠実性を向上させるため,平坦な道路領域におけるコンパクトな表現を維持しつつ,路面マーキングや道路境界,高さ不連続といった幾何学的・意味論的に複雑な領域に,より密度の高いガウス波を割り当てる道路構造対応型メッシュグリッド戦略を導入する。 さらに, 近接する車両のポーズに頼らず, 形状の整合性に応じて, 近接する複数のポーズから局所表面の先行を推定し, 姿勢誘導高さの正則化を適応的に行う軌道整合性誘導型姿勢改善戦略を設計する。

関連論文リスト

• Shape Your Ground: Refining Road Surfaces Beyond Planar Representations [35.63881467885378]
  航空画像からの道路表面の再構築は、自律走行、都市計画、仮想シミュレーションに不可欠である。 既存の再建手法は、しばしば使用性を制限する人工物や不整合を生み出す。 我々は,非均一な合理的B-スプライン(NURBS)表面をフォトグラム再構成やジオデータ提供者から得られる3次元道路点に組み込むことにより,道路表面の平滑化に対処する最初のフレームワークであるFlexRoadを紹介した。
  論文  参考訳（メタデータ） (2025-04-15T21:20:44Z)
• StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
  StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。 スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
  論文  参考訳（メタデータ） (2024-10-06T04:21:59Z)
• RoGs: Large Scale Road Surface Reconstruction with Meshgrid Gaussian [10.50103969885774]
  道路面の再建は自動運転において重要な役割を担っている。 本稿では,メッシュグリッドガウシアン(RoGs)を用いた大規模道路表面再構築手法を提案する。 様々な挑戦的な現実世界のシーンにおける道路面の再構築において,優れた結果を得た。
  論文  参考訳（メタデータ） (2024-05-23T09:11:47Z)
• EMIE-MAP: Large-Scale Road Surface Reconstruction Based on Explicit Mesh and Implicit Encoding [21.117919848535422]
  EMIE-MAPは,暗黙的メッシュと暗黙的符号化に基づく大規模道路表面再構成手法である。 本手法は,様々な現実の難易度シナリオにおいて,顕著な路面復元性能を実現する。
  論文  参考訳（メタデータ） (2024-03-18T13:46:52Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
  ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。 我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。 提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
  論文  参考訳（メタデータ） (2024-02-07T12:36:54Z)
• Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
  我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。 我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。 北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
  論文  参考訳（メタデータ） (2020-12-21T18:59:12Z)

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。