論文の概要: BayesianGS-SLAM: Uncertainty-Aware Neural Rendering SLAM via Probabilistic Formulation

• arxiv url: http://arxiv.org/abs/2609.24140v1
• Date: Mon, 21 Sep 2026 05:48:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:52:45.557837
• Title: BayesianGS-SLAM: Uncertainty-Aware Neural Rendering SLAM via Probabilistic Formulation
• Title（参考訳）: BayesianGS-SLAM:確率的定式化による不確実性認識ニューラルレンダリングSLAM
• Abstract要約: 本稿では,3次元ガウススティングSLAMフレームワークについて,地図作成時の色と深さの不確かさを推定する。 既存の不確実性認識SLAM法と比較すると, 精度が大幅に向上した。
• 参考スコア（独自算出の注目度）: 2.3332469289621787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural-rendering-based SLAM relies on rendered RGB-D residuals for camera tracking and map optimization, but the reliability of these predictions can vary substantially because of sensor noise, limited observation coverage, and incomplete map representations. Without an explicit reliability estimate, unreliable residuals may adversely affect pose optimization, while frames already well explained by the current map may trigger redundant mapping updates. In this paper, we present BayesianGS-SLAM, an uncertainty-aware 3D Gaussian Splatting SLAM framework that estimates predictive color and depth uncertainty during mapping and consistently reuses it across the SLAM pipeline. Our tractable probabilistic formulation combines a sensor-noise uncertainty component with an opacity-induced map-representation component propagated through the rendering process. The resulting predictive uncertainty is used to augment mapping, normalize tracking residuals through a robust pose objective, and evaluate incoming frames using a predictive-surprise-based keyframe criterion. Unlike prior uncertainty-aware neural-rendering SLAM methods that primarily consider color uncertainty or use uncertainty only during mapping, our framework estimates predictive uncertainty for both color and depth and integrates it into mapping, tracking, and keyframe selection. Evaluations on real-world RGB-D datasets demonstrate substantially improved depth uncertainty-error ranking compared with existing uncertainty-aware SLAM methods. Moreover, the proposed keyframe-selection strategy reduces the number of selected keyframes and mapping calls while maintaining competitive tracking and rendering performance.
• Abstract（参考訳）: ニューラルレンダリングベースのSLAMは、カメラトラッキングとマップ最適化のためにレンダリングされたRGB-D残差に依存するが、これらの予測の信頼性はセンサーノイズ、限られた観測範囲、不完全なマップ表現によって大きく異なる可能性がある。 明確な信頼性の見積がなければ、信頼できない残差がポーズ最適化に悪影響を及ぼす恐れがあり、一方、現在のマップで既によく説明されているフレームは冗長なマッピング更新を引き起こす可能性がある。 本稿では,不確実性を考慮した3次元ガウスプラッティングSLAMフレームワークであるBayesianGS-SLAMについて述べる。 抽出可能な確率的定式化は, センサノイズの不確かさ成分と不透明度により誘導される地図表現成分を併用する。 結果として生じる予測の不確実性は、マッピングの強化、ロバストなポーズ目標による追跡残差の正規化、および予測サプライズベースのキーフレーム基準を用いた着信フレームの評価に使用される。 色の不確かさを主に考慮する従来の不確実性認識型ニューラルネットワークSLAM法とは異なり、我々のフレームワークは色と深さの予測不確かさを推定し、それをマッピング、追跡、キーフレーム選択に統合する。 実世界のRGB-Dデータセットの評価は、既存の不確実性認識SLAM法と比較して、深さ不確実性エラーランキングを大幅に改善した。 さらに、提案したキーフレーム選択戦略は、競合するトラッキングとレンダリング性能を維持しながら、選択されたキーフレームとマッピングコールの数を減らす。

関連論文リスト

• Predictive Photometric Uncertainty in Gaussian Splatting for Novel View Synthesis [9.936999820242244]
  本稿では,画素単位,ビュー依存型予測不確実性推定のための軽量なプラグアンドプレイフレームワークを提案する。 本手法は,復元残差に対するベイズ正規化線形最小二乗最適化として不確かさを定式化する。 このアーキテクチャに依存しないアプローチは、下層のシーン表現を変更することなく、プリミティブごとの不確実性チャネルを抽出する。
  論文  参考訳（メタデータ） (2026-03-24T04:21:42Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Uncertainty for SVBRDF Acquisition using Frequency Analysis [12.545497174010528]
  本稿では,多視点撮影におけるSVBRDF取得の不確かさの定量化を目的とする。 本研究では,この曖昧さ,不確実性についてエントロピーを用いて検討し,周波数領域を用いて解析を高速化する。 その結果、オブジェクト全体の不確実性のマップをミリ秒以内で計算する。
  論文  参考訳（メタデータ） (2024-06-25T17:59:06Z)
• PROB-SLAM: Real-time Visual SLAM Based on Probabilistic Graph Optimization [0.0]
  従来のSLAMアルゴリズムは通常、高いレベルの情報を持たない人工的な特徴に基づいている。 意味情報を導入することで、SLAMは純粋に手作りの機能よりも高い安定性と堅牢性を持つことができる。 本稿ではガウス分布仮定に基づく新しい確率写像を提案する。 動的オブジェクトを含む環境に適用できることを実証した。
  論文  参考訳（メタデータ） (2022-09-15T05:47:17Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
  本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。 実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。 また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2021-07-09T16:04:11Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)

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。