論文の概要: Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis
- arxiv url: http://arxiv.org/abs/2607.22147v1
- Date: Fri, 24 Jul 2026 09:46:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.095731
- Title: Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis
- Title（参考訳）: 新規ビュー合成による空調・低テクスチャ環境におけるスパースビューからの視覚的再局在
- Abstract要約: 本稿では,古典的対応に基づくパイプラインから離れる視覚的再ローカライズ手法を提案する。
私たちの重要な貢献は、測光と幾何学的損失を組み合わせた幾何学的学習戦略です。
この共同最適化により3DGSモデルが生成され,その基礎となるシーン形状に適合することを示す。
- 参考スコア（独自算出の注目度）: 17.82023714307905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual localization becomes extremely challenging in planetary-like terrains characterized by low texture, perceptual aliasing, harsh illumination, and sparse, weakly overlapping viewpoints induced by forward rover motion and unconstrained driving directions. Under these conditions, state-of-the-art image-to-image and image-to-map matching pipelines suffer significant performance degradation. In this work, we propose a visual relocalization method that departs from classical correspondence-based pipelines by directly estimating camera poses against a differentiable map representation built with 3D Gaussian Splatting (3DGS). Our key contribution is a geometry-aware training strategy that combines photometric and geometric losses, where the geometric supervision is provided for the first time by combining multi-view stereo (MVS) and LiDAR depths. We show that this joint optimization produces a 3DGS model that better fits the underlying scene geometry, leading to improved photometric and geometric consistency and more robust, accurate single-image 6-DoF pose estimation. Extensive experiments on data acquired in planetary-analog environments validate the effectiveness of our approach, showing substantial gains in relocalization accuracy under challenging conditions. Code is available at https://github.com/DLR-RM/multimodal-gsplat-relocalization.
- Abstract（参考訳）: 視覚的な局部化は、低テクスチャ、知覚的エイリアス、厳しい照度、およびスパースによって特徴づけられる惑星のような地形において非常に困難なものとなり、前方のローバー運動と制約のない運転方向によって引き起こされる弱い重なり合いの視点によって引き起こされる。
これらの条件下では、最先端のイメージ・ツー・イメージと画像・ツー・マップマッチングパイプラインは、大幅な性能低下を被る。
本研究では,3次元ガウススプラッティング(3DGS)で構築した微分可能な地図表現に対して,カメラのポーズを直接推定することにより,古典的対応に基づくパイプラインから逸脱する視覚的再ローカライズ手法を提案する。
我々の重要な貢献は、測光と幾何学的損失を組み合わせた幾何学的学習戦略であり、多視点ステレオ(MVS)とLiDAR深度を組み合わせることにより、幾何学的監督が初めて提供される。
この共同最適化により3DGSモデルが生成され,撮影シーンの形状に適合し,光学的および幾何的整合性が向上し,より堅牢で高精度な6-DoFポーズ推定が可能となった。
惑星・アナログ環境下で得られたデータに対する大規模な実験により, 本手法の有効性が検証され, 挑戦条件下での再局在精度が著しく向上した。
コードはhttps://github.com/DLR-RM/multimodal-gsplat-relocalizationで公開されている。
関連論文リスト
- ARC-Loc: Leveraging Azimuthal Ray Convergence as a Geometric Cue for Direct Cross-View Localization [9.245490956012633]
クロスビュー・ローカライゼーション(CVL)は、地上画像とジオレファレンス衛星画像とのマッチングにより、地上画像のポーズを推定する。
衛星画像のマッチングと位置決めを外部の深度基礎モデルに頼らずに直接行うことができるリセクションと呼ばれる人間のナビゲーション技術に着想を得たアプローチを提案する。
論文 参考訳（メタデータ） (2026-09-04T10:19:37Z) - 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) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment [48.147381011235446]
3D Gaussian Splattingは、リアルタイムな新規ビュー合成のための効率的なソリューションとして最近登場した。
ビューアライメントによる3次元ガウス多様体の幾何学的表現を強化する新しい手法を提案する。
本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-10-13T14:44:50Z) - GUS-IR: Gaussian Splatting with Unified Shading for Inverse Rendering [83.69136534797686]
GUS-IRは、粗く光沢のある表面を特徴とする複雑なシーンの逆レンダリング問題に対処するために設計された新しいフレームワークである。
本稿では、逆レンダリング、フォワードシェーディング、遅延シェーディングに広く使われている2つの顕著なシェーディング技術を分析し、比較することから始める。
両手法の利点を組み合わせた統合シェーディングソリューションを提案する。
論文 参考訳（メタデータ） (2024-11-12T01:51:05Z) - 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) - GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。
第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。
広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
論文 参考訳（メタデータ） (2024-09-24T23:18:32Z) - SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。
SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
論文 参考訳（メタデータ） (2024-04-29T23:26:30Z) - $ν$-DBA: Neural Implicit Dense Bundle Adjustment Enables Image-Only Driving Scene Reconstruction [31.64067619807023]
$nu$-DBAは、地図パラメトリゼーションのための3次元暗黙曲面を用いた幾何学的密集束調整(DBA)を実装している。
我々は、高密度マッピングの品質をさらに向上するために、シーンごとの自己スーパービジョンで光学フローモデルを微調整する。
論文 参考訳（メタデータ） (2024-04-29T05:29:26Z) - GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。
我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。
フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
論文 参考訳（メタデータ） (2023-11-26T02:35:09Z)
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。