論文の概要: CHOW-SLAM: Compact Hybrid Representation with Complementary Overlap Window Optimization for RGB-D SLAM

• arxiv url: http://arxiv.org/abs/2608.01914v1
• Date: Mon, 03 Aug 2026 08:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.416142
• Title: CHOW-SLAM: Compact Hybrid Representation with Complementary Overlap Window Optimization for RGB-D SLAM
• Title（参考訳）: CHOW-SLAM:RGB-D SLAMのための補完オーバーラップウィンドウ最適化によるコンパクトハイブリッド表現
• Abstract要約: CHOW-SLAMは高密度なRGB-D SLAMフレームワークであり、相補的な空間的制約と時間的制約を明示的に構成する。 CHOW-SLAMはシーン再構成の品質とカメラ追跡精度の両方において最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 15.5419422901587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simultaneous localization and mapping (SLAM) based on Neural Radiance Fields (NeRF) enables dense, continuous scene reconstruction. However, existing systems operating with limited online resources struggle to simultaneously construct two types of constraints, namely, compact yet discriminative spatial constraints derived from scene representations and persistent temporal constraints derived from historical observations. To address this challenge, we propose CHOW-SLAM, a dense RGB-D SLAM framework that explicitly constructs these complementary spatial and temporal constraints. Spatially, we propose a compact parametric-hash (P-H) hybrid representation that organizes components based on planes and grids across scales in P and H branches. A unified multi-output decoder further aligns the ray termination distributions induced by TSDF and density, preserving geometry and appearance under a compact parameter budget. Temporally, we propose a complementary overlap-window strategy to prevent optimization from being dominated by short-term overlap or weakly related historical observations. Within a fixed budget, the strategy retains recent frames, selects high-overlap local frames, and introduces temporally distributed historical keyframes. Loss-aware keyframe insertion and bundle adjustment scheduling further adapt optimization to tracking quality. In addition, ORB-based tracking and geometric pose estimation are used for pose initialization, followed by neural rendering optimization to improve tracking stability. Extensive evaluations on multiple datasets demonstrate that CHOW-SLAM outperforms state-of-the-art methods in both scene reconstruction quality and camera tracking accuracy. The source code is available at https://github.com/jinjidexiaohuoban/CHOW-SLAM.
• Abstract（参考訳）: ニューラル・ラジアンス・フィールド(NeRF)に基づく同時局所化とマッピング(SLAM)は、密集した連続的なシーン再構築を可能にする。 しかし、オンラインリソースが限られている既存のシステムでは、シーン表現から派生したコンパクトで差別的な空間的制約と、歴史的観測から派生した永続的な時間的制約という、2つのタイプの制約を同時に構築することが困難である。 この課題に対処するために,これらの相補的空間的制約と時間的制約を明確に構成するRGB-D SLAMフレームワークであるCHOW-SLAMを提案する。 本研究では,P と H の枝において,平面と格子に基づいて構成する,コンパクトなパラメトリック・ハッシュ(P-H)ハイブリッド表現を提案する。 統一されたマルチ出力デコーダは、TSDFと密度によって誘導される光の終端分布を調整し、コンパクトなパラメータ予算の下で幾何と外観を保存する。 時として,短期的な重複や弱い関係のある歴史的観測によって最適化が支配されるのを防ぐために,補完的な重複ウィンドウ戦略を提案する。 固定予算内では、戦略は最近のフレームを保持し、高いオーバーラップなローカルフレームを選択し、時間的に分散された歴史的キーフレームを導入する。 ロス対応キーフレーム挿入とバンドル調整は、トラッキング品質にさらなる最適化を適用する。 さらに、ORBに基づくトラッキングと幾何ポーズ推定を初期化に使用し、続いてニューラルレンダリングの最適化によりトラッキング安定性が向上する。 複数のデータセットに対する広範囲な評価により、CHOW-SLAMはシーン再構成の品質とカメラトラッキング精度の両方において最先端の手法より優れていることが示された。 ソースコードはhttps://github.com/jinjidexiaohuoban/CHOW-SLAMで公開されている。

関連論文リスト

• Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
  本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。 グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
  論文  参考訳（メタデータ） (2026-09-03T16:08:03Z)
• GLAM-SLAM: Real-time Gaussian Large-scale Mapping via Flow Densification and Spatial Decomposition [15.113183931728814]
  本稿では,リアルタイムに分離したガウス分割SLAMシステムであるGLAM-SLAMを提案する。 堅牢で機能ベースのSLAMを使用して、軽量なトラッキングを保証します。 構造化されたスパースなアンカーグリッド表現を採用し、スケーラブルな操作を保証し、長期的シーケンスをまたいだシーンを維持する。 我々は,困難かつ長周期なKITTI Odometry,Oxford RobotCar,M Splatalagaデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2026-07-23T15:22:42Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• Unfolding 3D Gaussian Splatting via Iterative Gaussian Synopsis [48.743921535513635]
  イテレーティブ・ガウス・シンプシス(Iterative Gaussian Synopsis)は、トップダウンの「展開」スキームを通じてコンパクトでプログレッシブなレンダリングを行うための新しいフレームワークである。 提案手法は3DGSモデルから始まり,適応的かつ学習可能なマスクベースプルーニング機構を用いて,粗いLODを反復的に導出する。 この組み合わせはコンパクトで表現力のある特徴表現を生み出し、冗長性を最小化し、効率よく、レベル固有の適応をサポートするように設計されている。
  論文  参考訳（メタデータ） (2026-04-13T16:28:35Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory [97.14005794889134]
  提案するLoGeRは,高密度な3次元再構成を,後最適化なしで極めて長いシーケンスに拡張する新しいアーキテクチャである。 LoGeRはビデオストリームをチャンクで処理し、高忠実度なチャンク内推論に強力な双方向の事前処理を活用する。 このメモリアーキテクチャにより、LoGeRは128フレームのシーケンスでトレーニングでき、推論中に数千フレームまで一般化できる。
  論文  参考訳（メタデータ） (2026-03-03T18:55:37Z)
• LangGS-SLAM: Real-Time Language-Feature Gaussian Splatting SLAM [2.738569311610586]
  RGB-D SLAM システムは低遅延追跡とマッピングを継続しながら,言語対応の高密度特徴場を再構築する。 システムは15FPSで動作しながら、幾何学的のみのベースラインとオフラインアプローチに匹敵する意味的忠実性よりも優れた幾何学的忠実性を実現する。
  論文  参考訳（メタデータ） (2026-01-28T05:35:34Z)
• Multi-Sample Anti-Aliasing and Constrained Optimization for 3D Gaussian Splatting [6.336372495476242]
  本稿では,マルチサンプル・アンチエイリアスと2つの幾何学的制約を組み合わせた総合最適化フレームワークを提案する。 本システムでは,4重サブサンプルの適応ブレンディングにより画素色を計算し,高周波成分のエイリアスを効果的に低減する。 本手法は,特に高周波テクスチャと鋭い不連続の保存において,詳細な保存における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-14T10:14:36Z)
• LCP-Fusion: A Neural Implicit SLAM with Enhanced Local Constraints and Computable Prior [22.948360879064758]
  LCP-Fusionは、局所的な制約が強化され、計算可能な事前計算が可能な、神経暗黙のSLAMシステムである。 提案手法は,既存のRGB-D暗黙SLAMよりも高精度な局所化精度と再構成整合性を実現する。
  論文  参考訳（メタデータ） (2024-11-06T02:05:44Z)
• SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
  ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。 既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。 局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
  論文  参考訳（メタデータ） (2024-04-17T14:23:28Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)

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。