Fugu-MT 論文翻訳(概要): EliGSiR: Continual RGB-D Mapping with Gaussian Splatting under Bounded Compute

論文の概要: EliGSiR: Continual RGB-D Mapping with Gaussian Splatting under Bounded Compute

arxiv url: http://arxiv.org/abs/2609.20348v1
Date: Thu, 17 Sep 2026 13:12:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:54.285832
Title: EliGSiR: Continual RGB-D Mapping with Gaussian Splatting under Bounded Compute
Title（参考訳）: EliGSiR:Gaussian Splattingによる連続RGB-Dマッピング
Abstract要約: EliGSiRは、再構築が進むにつれて、利用可能な最適化予算をどのように利用するかを制御する。 Replica, TUM RGB-D, ScanNet++, および実RGB-Dセンサシーケンス上でEliGSiRを評価する。
参考スコア（独自算出の注目度）: 4.14197005718384
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conventional 3D Gaussian Splatting assumes a closed set of observations and long optimization schedules. Continual RGB-D mapping in contrast poses the problem that new observations arrive online, while previously reconstructed regions must be preserved. We present EliGSiR (Evidence-guided Load-adaptive Incremental Gaussian Splatting with Image Replay), a continual Gaussian mapper that controls how the available optimization budget is used as the reconstruction evolves. Map-Guided View Scheduling filters redundant incoming views and reconsiders retained views according to the current state of the map. Load-Adaptive Fidelity adjusts supervision resolution to the current mapping load instead of following a fixed resolution schedule. Targeted Geometry Growth separates depth supervision from Gaussian creation and adds geometric capacity only where repeated RGB-D observations indicate missing or misplaced structure. Together, these mechanisms adapt which views are optimized, how much image detail is used, and where the representation grows while mapping remains active. We evaluate EliGSiR on Replica, TUM RGB-D, ScanNet++, and real RGB-D sensor sequences, considering both the final reconstruction and the map available throughout acquisition. On TUM RGB-D fr3/long_office_household, EliGSiR reaches 21.52 dB with the same ground-truth mapping poses used by the controlled baselines, compared with 19.42 dB for SplaTAM. In the tracked-pose comparison, EliGSiR with live ORB-SLAM3 poses reaches 23.02 dB in 155.5 s, compared with 20.10 dB in 230.9 s for CaRtGS using its native tracker. We further evaluate reconstruction throughout acquisition and show how EliGSiR adaptive view scheduling, supervision fidelity, and geometry growth improve the use of the available mapping budget.
Abstract（参考訳）: 従来の3Dガウス散乱は、閉じた観測と長い最適化スケジュールを前提としている。対照的に、連続的なRGB-Dマッピングは、新しい観測がオンラインにやってくるという問題を招き、以前の再構成された領域を保存しなければならない。提案するEliGSiR(Evidence-Guided Load-Adaptive Incremental Gaussian Splatting with Image Replay)は,再構成の進展に伴って利用可能な最適化予算をどのように利用するかを制御する連続的なガウスマッパーである。 Map-Guided View Schedulingは冗長なビューをフィルタし、マップの現在の状態に応じてビューを保持する。ロード・アダプティブ・フィデリティ(Load-Adaptive Fidelity)は、固定された解像度スケジュールに従うのではなく、現在のマッピング負荷に対する監督の解決を調整する。ターゲットの幾何成長は、深さの監督とガウスの創造を分離し、RGB-D観測を繰り返した場合のみ幾何学的容量を追加する。これらのメカニズムは、どのビューが最適化されるか、どれくらいのイメージディテールが使用されるか、マッピング中にどの表現が成長するか、などを順応する。 Replica, TUM RGB-D, ScanNet++, および実RGB-Dセンサシーケンス上のEliGSiRを評価する。 TUM RGB-D fr3/long_office_householdでは、EliGSiRが21.52dBに達する。実際のORB-SLAM3のポーズを持つEliGSiRは155.5秒で23.02dBに達し、CaRtGSは230.9秒で20.10dBに達した。我々はさらに,買収全体を通して再構成を評価し,EliGSiR適応ビュースケジューリング,監督忠実度,幾何学的成長が利用可能な地図予算の利用をいかに改善するかを示す。

関連論文リスト

RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting [20.29273985020268]
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。
論文参考訳（メタデータ） (2026-09-10T04:36:58Z)
MyGO-Splat: Multi-Objective Closed-Loop Geometric Feedback for RGB-Only Gaussian SLAM [22.81691196847663]
MyGO-Splatは閉ループガウスのSLAMフレームワークで、プリミティブをピクセル幅の深さと表面の正規に解析する。この閉ループ設計によりスケール安定性と外観形状の整合性が向上し,単分子入力のみを使用しながらRGB-D法に匹敵する性能が得られることを示す。
論文参考訳（メタデータ） (2026-06-29T03:22:06Z)
GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。大量のガウス点があるため、高いメモリコストに制約される。コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文参考訳（メタデータ） (2026-04-02T10:41:51Z)
SEAR: Simple and Efficient Adaptation of Visual Geometric Transformers for RGB+Thermal 3D Reconstruction [28.61594700250136]
本稿では,事前学習した幾何学変換器をマルチモーダルRGB-T入力に適応させる戦略であるSEARを提案する。提案手法は,3次元再構成とカメラポーズ推定において,最先端の手法よりも優れていた。大規模なアブレーション研究を通じてアーキテクチャを検証し、モデルが両方のモダリティをどのように整合させるかを示す。
論文参考訳（メタデータ） (2026-03-19T11:27:21Z)
RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文参考訳（メタデータ） (2025-06-28T08:02:54Z)
PG-SAG: Parallel Gaussian Splatting for Fine-Grained Large-Scale Urban Buildings Reconstruction via Semantic-Aware Grouping [6.160345720038265]
本稿では,分割処理とカーネル最適化の両方にセマンティックキューをフル活用した並列ガウス分割手法PG-SAGを提案する。その結果, 建物表面の再構成におけるPG-SAGの優れた性能を示すことができた。
論文参考訳（メタデータ） (2025-01-03T07:40:16Z)
Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians [87.48403838439391]
3D Splattingは、RGBのみの高密度SLAMの幾何学と外観の強力な表現として登場した。本稿では,高密度な3次元ガウス写像表現を持つRGBのみのSLAMシステムを提案する。 Replica、TUM-RGBD、ScanNetのデータセットに対する実験は、グローバルに最適化された3Dガウスの有効性を示している。
論文参考訳（メタデータ） (2024-05-26T12:26:54Z)
Geometry Depth Consistency in RGBD Relative Pose Estimation [2.6089354079273512]
RGBDカメラの相対的なポーズ推定は多くのアプリケーションにおいて重要である。以前のアプローチでは画像のRGBの側面に頼って推定し、したがって推定プロセスの深さを完全には利用しない。本稿では,RGBに基づくランク付き対応リストから一対の対応が仮定された場合,残余対応の空間は,仮説付き対応リストの周辺に営まれる曲線の対に制限され,暗黙的に深度整合を捉えていることを示す。
論文参考訳（メタデータ） (2024-01-01T02:35:13Z)
GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
論文参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。