論文の概要: NSL-SLAM: High-Fidelity Neural Structured-Light Depth for Practical SLAM and Reconstruction

• arxiv url: http://arxiv.org/abs/2607.24495v1
• Date: Mon, 27 Jul 2026 14:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.468281
• Title: NSL-SLAM: High-Fidelity Neural Structured-Light Depth for Practical SLAM and Reconstruction
• Title（参考訳）: NSL-SLAM: 実用SLAMと再構成のための高忠実性ニューラルネットワーク構造光深さ
• Authors: Jiaheng Li, Binsheng Zhang, Xinhai Chang, Wenzheng Chen,
• Abstract要約: 高忠実度構造光深度に適した実用SLAMシステムであるNSL-SLAMを提案する。 NSL-SLAMは最高のトラッキング精度を達成し、SOTAベースライン上のFスコアを1.6ポイント改善する。 SLAMシステムは20.9 FPSでオンラインで動作し、より強力な構造化光深度と深度中心のシステム設計が実用的で堅牢なSLAMを実現することを実証している。
• 参考スコア（独自算出の注目度）: 7.446911096044758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structured-light (SL) cameras power depth sensing in millions of devices, and recent neural SL decoding methods have substantially improved their depth quality. SLAM systems can benefit greatly from such strong depth sensing, where reliable geometry enables stable tracking and faithful reconstruction. In this work, we present NSL-SLAM, a practical SLAM system tailored for high-fidelity structured-light depth. We first strengthen SL depth sensing: inspired by the neural structured-light (NSL) method, we further incorporate strong monocular depth priors into the SL stereo decoding, reducing depth RMSE by 35% on Replica-SL compared to NSL. We then build a depth-centric SLAM pipeline with this stronger depth: because structured-light geometry is dense and metrically accurate, we keep it as the primary tracking signal, and add only sparse visual correspondences for geometrically degenerate cases and lightweight bundle adjustment for long-range drift. Our depth estimator and SLAM design reinforce each other: stronger depth makes a simple SLAM pipeline effective, and the depth-centric pipeline ensures this advantage transfers to downstream reconstruction. Experimentally, on the synthetic Replica-SL benchmark, NSL-SLAM achieves the best tracking accuracy and improves reconstruction F-score by 1.6 points over the SOTA baseline under a shared-depth protocol. On a real benchmark of 8 challenging scenes, it is the only method that avoids catastrophic failure on all sequences while achieving 43.3% lower trajectory deviation than selected baselines. The SLAM system runs online at 20.9 FPS, demonstrating that stronger structured-light depth and depth-centric system design together enable practical, robust SLAM.
• Abstract（参考訳）: 構造光(SL)カメラは、数百万のデバイスで奥行き検知に電力を供給し、最近のニューラルSL復号法は、その深さ品質を大幅に改善した。 SLAMシステムは、信頼できる幾何が安定した追跡と忠実な再構築を可能にするような強い深度検知の恩恵を受けることができる。 本研究では,高忠実度構造光深度に適した実用SLAMシステムであるNSL-SLAMを提案する。 我々はまず,ニューラル構造化光(NSL)法に着想を得て,SLステレオ復号法に強い単分子深度を組み込むことにより,NSLと比較してReplica-SLで35%の深度RMSEを低減した。 この深度中心のSLAMパイプラインは、構造光幾何が密度が高く、計量的精度が高いため、一次追跡信号として保持し、幾何学的に退化したケースに対する疎視対応と長距離ドリフトのための軽量バンドル調整のみを付加する。 我々の深度推定器とSLAM設計は相互に強化され、より強い深度は単純なSLAMパイプラインを効果的にし、深度中心のパイプラインは、この利点を下流の再構築へ確実に転送する。 合成Replica-SLベンチマークにおいて、NSL-SLAMは最高のトラッキング精度を達成し、共有深度プロトコルの下でSOTAベースライン上のFスコアを1.6ポイント改善する。 8つの挑戦シーンの実際のベンチマークでは、選択されたベースラインよりも43.3%低い軌道偏差を達成しつつ、全てのシーケンスで破滅的な失敗を避ける唯一の方法である。 SLAMシステムは20.9 FPSでオンラインで動作し、より強力な構造化光深度と深度中心のシステム設計が実用的で堅牢なSLAMを実現することを実証している。

関連論文リスト

• ConfidentSplat: Confidence-Weighted Depth Fusion for Accurate 3D Gaussian Splatting SLAM [0.0]
  ConfidentSplatは、3D Gaussian Splatting (3DGS)ベースのSLAMシステムである。 再現精度(L1深度誤差)と新しいビュー忠実度(PSNR, SSIM, LPIPS)は,ベースラインよりも大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-21T01:28:03Z)
• GlORIE-SLAM: Globally Optimized RGB-only Implicit Encoding Point Cloud SLAM [53.6402869027093]
  フレキシブルなニューラルポイントクラウド表現シーンを用いたRGBのみの高密度SLAMシステムを提案する。 また,単分子深度とともに暗黙のポーズと深さを最適化する新しいDSPO層を導入する。
  論文  参考訳（メタデータ） (2024-03-28T16:32:06Z)
• Depth Completion with Multiple Balanced Bases and Confidence for Dense Monocular SLAM [33.66705447919248]
  本稿では,軽量深度補完網をスパースSLAMシステムに統合する新しい手法を提案する。 具体的には,BBC-Netと呼ばれる,高度に最適化されたマルチバス深度補完ネットワークを提案する。 BBC-Netは、オフザシェルキーポイントベースのSLAMシステムによって生成されたスパースポイントを持つ単眼画像から、複数のバランスの取れたベースと信頼マップを予測できる。
  論文  参考訳（メタデータ） (2023-09-08T06:15:27Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• NICER-SLAM: Neural Implicit Scene Encoding for RGB SLAM [111.83168930989503]
  NICER-SLAMは、カメラポーズと階層的なニューラル暗黙マップ表現を同時に最適化するRGB SLAMシステムである。 近年のRGB-D SLAMシステムと競合する高密度マッピング,追跡,新しいビュー合成において,高い性能を示す。
  論文  参考訳（メタデータ） (2023-02-07T17:06:34Z)
• GeoRefine: Self-Supervised Online Depth Refinement for Accurate Dense Mapping [24.15738665810018]
  単分子配列からの幾何的に一貫性のある高密度マッピングを実現するために,GeoRefine という,頑健で高精度な深度精錬システムを提案する。 GeoRefineは3つのモジュールで構成されている: 学習ベースの事前処理を用いたハイブリッドSLAMモジュール、セルフスーパービジョンを活用したオンライン深度改善モジュール、TSDF融合によるグローバルマッピングモジュール。 複数の公開データセット上でGeoRefineを広範囲に評価し、絶対相対深度誤差を5%以上まで下げる。
  論文  参考訳（メタデータ） (2022-05-03T17:39:06Z)

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。