論文の概要: When pose graphs are not enough: a failure analysis of pose-graph-based camera estimation for Gaussian splatting

• arxiv url: http://arxiv.org/abs/2610.14090v1
• Date: Thu, 08 Oct 2026 17:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:26:00.495653
• Title: When pose graphs are not enough: a failure analysis of pose-graph-based camera estimation for Gaussian splatting
• Title（参考訳）: ポーズグラフが不十分な場合--ガウススプラッティングのためのポーズグラフに基づくカメラ推定の故障解析
• Abstract要約: ドローンは、いくつかの重なり合った高度で1つの特性を周回し、時折垂直に上昇するので、画像は密度が高く、シーケンシャルで、GPSとタイムタグが付けられ、多くの角度からそれぞれのファサードを再訪する。 この構造は、カメラのポーズを高密度ポーズグラフ最適化(PGO)によって復元できることを示唆している。 実行可能な設計では、Sim(3)の制約、絶対GPSプリエント、維持構造、不確実性を認識した重み付けを追加しなければなりません。
• 参考スコア（独自算出の注目度）: 3.128672018381103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exterior Gaussian-splat twins for real-estate listings are captured to a fixed recipe: a consumer drone orbits a single property in several overlapping passes at stepped altitudes, with occasional vertical ascents, so the imagery is dense, sequential, GPS- and time-tagged, and revisits each facade from many angles. This structure is tantalizing: it suggests camera poses could be recovered by a dense pose-graph optimization (PGO) whose only unknowns are the poses, far fewer than the joint pose-and-point problem bundle adjustment (BA) solves. PGO is mature in robotics, but almost always as post-processing: it redistributes the drift of an already-decent trajectory once loop closures tie it together. Splatting captures push that regime to its limit, every frame closing loops with dozens of others, raising a clean question: does pose-only optimization reach BA accuracy? We built a system specialized to this capture structure, not a general-purpose SfM tool, to test it. It beat COLMAP on speed but never on quality; this paper is the candid post-mortem. The shortfall arises from several interacting causes, hand-set weights, greedy merging and a noisy GPS ruler, together with two limits inherent to the formulation: SE(3) edges carry no scale degree of freedom, so independently scaled sub-maps drift when merged, and a two-view edge stops short of the coupling one 3D point imposes on every frame that sees it. A viable design must add back Sim(3) constraints, absolute GPS priors, retained structure, and uncertainty-aware weighting
• Abstract（参考訳）: コンシューマードローンは、いくつかの重複したパスで1つの資産を段階的な高度で周回し、時には垂直に上昇するので、画像は密度が高く、シーケンシャルで、GPSとタイムタグが付けられ、さまざまな角度からそれぞれのファサードを修正します。 この構造は、カメラのポーズを高密度のポーズグラフ最適化(PGO)によって復元できることを示唆している。 PGOはロボット工学で成熟しているが、ほとんど常に後処理の段階にある。 Splattingは、そのルールを限界まで押し上げ、他の何十ものフレームをクローズするすべてのループをキャプチャし、クリーンな疑問を提起する。 汎用的なSfMツールではなく,このキャプチャ構造に特化したシステムを構築した。 スピードではCOLMAPを上回っているが、品質は決して上回らない。 SE(3)エッジはスケールする自由度を持たないため、独立にスケールされたサブマップは融合時にドリフトし、2次元エッジは結合する全てのフレームに課される1つの3Dポイントを短くする。 実現可能な設計は、Sim(3)制約、絶対GPS事前、維持構造、不確実性認識重み付けを追加しなければなりません。

関連論文リスト

• Gradient-Based Trajectory Optimisation over Continuous Poses for Sparse-View Cone-Beam CT [3.431926134095809]
  コーンビームCT(CT)の軌道最適化は、スパース・ビュー・スキャンがどの情報を取得するかを決定する。 すべてのソースは個別の連続変数でポーズし、スキャナの運動多様体上の勾配上昇によってすべてのポーズを一緒に移動させる。
  論文  参考訳（メタデータ） (2026-10-07T07:23:46Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• YoNoSplat: You Only Need One Model for Feedforward 3D Gaussian Splatting [79.38712054342625]
  YoNoSplatは、任意の数の画像から高品質な3次元ガウス格子表現を再構成するフィードフォワードモデルである。 我々のモデルは非常に多用途で、ポーズとアンポーズの両方で効果的に動作し、校正され、校正されていない入力を処理します。 ポーズフリーとポーズ依存の両方の設定で、標準ベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-11-10T17:21:54Z)
• AnySplat: Feed-forward 3D Gaussian Splatting from Unconstrained Views [68.94737256959661]
  AnySplatは、未校正画像コレクションから新しいビューを合成するためのフィードフォワードネットワークである。 単一のフォワードパスは、シーン幾何学と外観の両方をコードする3Dガウスプリミティブのセットを生成する。 広範囲なゼロショット評価では、AnySplatはスパースと高密度の両方のビューシナリオにおいて、ポーズを意識するベースラインの品質にマッチする。
  論文  参考訳（メタデータ） (2025-05-29T17:49:56Z)
• Platypose: Calibrated Zero-Shot Multi-Hypothesis 3D Human Motion Estimation [6.061037203796638]
  Platyposeは、ゼロショット3Dポーズシーケンス推定のために、人間の3Dモーションシーケンスに事前訓練された拡散モデルを使用するフレームワークである。 Platyposeは、Human3.6M、MPI-INF-3DHP、および3DPWの静的ポーズでテストした場合、最先端のキャリブレーションと競合するジョイントエラーを実現する。
  論文  参考訳（メタデータ） (2024-03-10T10:30:34Z)
• COLMAP-Free 3D Gaussian Splatting [88.420322646756]
  本稿では,SfM前処理を使わずに新しいビュー合成を実現する手法を提案する。 入力フレームを逐次的に処理し、一度に1つの入力フレームを取ることで3Dガウスを段階的に成長させる。 提案手法は, 映像合成とカメラポーズ推定において, 大きな動き変化下での従来手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-12-12T18:39:52Z)

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。