論文の概要: RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.11079v1
• Date: Thu, 10 Sep 2026 04:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.212744
• Title: RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting
• Title（参考訳）: RIDE:3次元ガウススプラッティングによる局所化インフォームド深さ推定
• Abstract要約: 本稿では,ロボットのRGBマップから深度を推定するRIDEを提案する。 実験では、深度精度が向上し、時間的整合性尺度のみの校正が可能になった。
• 参考スコア（独自算出の注目度）: 20.29273985020268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Render--match--PnP relocalization establishes correspondences between query image pixels and 3D map points for camera pose recovery, but their potential to support dense depth estimation is often overlooked. To exploit this geometric information, we present RIDE, which estimates dense metric depth from a robot's RGB stream. Given a metrically scaled 3D Gaussian Splatting (3DGS) model, RIDE combines sparse metric depth observations derived from PnP-RANSAC inlier correspondences with the geometric prior of a pretrained video-depth model. To handle uneven and intermittent observations, it integrates global and local depth correction with temporal memory, supporting depth estimation through short observation gaps after metric scale initialization. Trained on public RGB-D videos, RIDE is evaluated on robot sequences without fine tuning. Experiments show improved depth accuracy and temporal consistency over scale-only calibration, demonstrating how localization geometry can support both pose recovery and dense robot perception.
• Abstract（参考訳）: Render--match--PnP再ローカライゼーションは、カメラポーズ回復のためのクエリ画像ピクセルと3Dマップポイントの対応を確立するが、深度推定をサポートする可能性はしばしば見過ごされる。 この幾何学的情報を活用するために,ロボットのRGBストリームから密度距離を推定するRIDEを提案する。 RIDEは3次元ガウススプラッティング(3DGS)モデルを用いて、PnP-RANSAC不整合から得られた疎度メートル法深度観測と、事前訓練されたビデオ深度モデルの幾何学的先行を結合する。 不均一かつ断続的な観測に対処するため、大域的および局所的な深度補正と時間記憶を統合し、計量スケールの初期化後の短い観測ギャップによる深度推定をサポートする。 RIDEは、公開RGB-Dビデオに基づいて、微調整なしでロボットシーケンスで評価される。 実験では、スケールのみのキャリブレーションよりも深度精度と時間的整合性が向上し、局所化幾何がポーズ回復と密集したロボット知覚の両方をサポートするかを示す。

関連論文リスト

• GeoWeaver: Accurate Long-Sequence 3D Reconstruction via Hierarchical Geometric Assembly [23.486108847409856]
  RGBビデオからの長時間の3D再構成には、正確な局所幾何学と一貫したカメラモーションの両方が必要である。 Geometric Prior Model(GPM)とTest-Time Adaptation(TTA)を組み合わせた統合フレームワークGeoWeaverを提案する。 TTAは、シーケンシャルでグローバルなチャンクレベルSim(3)アライメントと、カメラのポーズ、アフィン深さ補正、および本質的な精細化を行う。 さまざまな時系列ベンチマークによる実験では、カメラの精度の向上、グローバルな一貫性、ポイントクラウドの品質が示されている。
  論文  参考訳（メタデータ） (2026-08-18T05:29:31Z)
• 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)
• Revisiting Depth Representations for Feed-Forward 3D Gaussian Splatting [57.43483622778394]
  本稿では,事前学習した変圧器によって予測される点マップに基づく新しい正規化損失PM-Lossを紹介する。 改良された深度マップにより,様々なアーキテクチャやシーンのフィードフォワード3DGSを大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-05T17:58:23Z)
• RDG-GS: Relative Depth Guidance with Gaussian Splatting for Real-time Sparse-View 3D Rendering [13.684624443214599]
  本稿では,3次元ガウススプラッティングに基づく相対深度誘導を用いた新しいスパースビュー3DレンダリングフレームワークRDG-GSを提案する。 中心となる革新は、相対的な深度誘導を利用してガウス場を洗練させ、ビュー一貫性のある空間幾何学的表現に向けてそれを操ることである。 Mip-NeRF360, LLFF, DTU, Blenderに関する広範な実験を通じて、RDG-GSは最先端のレンダリング品質と効率を実証している。
  論文  参考訳（メタデータ） (2025-01-19T16:22:28Z)
• GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
  スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。 我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。 いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-18T08:18:44Z)
• 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)
• Visual SLAM with 3D Gaussian Primitives and Depth Priors Enabling Novel View Synthesis [11.236094544193605]
  従来の幾何学に基づくSLAMシステムは、密度の高い3D再構成機能を持たない。 本稿では,新しいビュー合成技術である3次元ガウススプラッティングを組み込んだリアルタイムRGB-D SLAMシステムを提案する。
  論文  参考訳（メタデータ） (2024-08-10T21:23:08Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)

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。