論文の概要: KFS$^4$LAM: Adaptive KeyFrame Selection with Structure-Aware Mapping for Endoscopic Gaussian Splatting SLAM

• arxiv url: http://arxiv.org/abs/2610.22505v1
• Date: Thu, 15 Oct 2026 18:02:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.615758
• Title: KFS$^4$LAM: Adaptive KeyFrame Selection with Structure-Aware Mapping for Endoscopic Gaussian Splatting SLAM
• Title（参考訳）: KFS$^4$LAM: 内視鏡的ガウス切削SLAMのための構造認識マッピングによる適応的キーフレーム選択
• Abstract要約: KFS$4$LAM(内視鏡SLAMのための構造対応マッピングによる鍵選択)を提案する。 運動誘導適応選択と、構造的に教師付きマッピングと時間的変形の制限を結合する。 これにより、より困難なC3VD-v2データセットに対して、強力なトラジェクトリ、レンダリング、ディープメトリクスが実現される。
• 参考スコア（独自算出の注目度）: 11.213946346243118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian-splatting Simultaneous Localization and Mapping (SLAM) augments conventional SLAM with a dense, renderable 3D scene representation, enabling high-quality reconstruction and novel-view synthesis. However, its localization, reconstruction, and rendering performance depends strongly on which observations are retained for mapping. Existing systems commonly rely on fixed temporal intervals or simple pose- and overlap-based criteria for keyframe selection. In colonoscopy, non-uniform camera motion, repetitive anatomy, specularities, and visual artifacts can make these criteria unreliable, leading to either redundant keyframes or missed informative viewpoints. We present KFS$^4$LAM (KeyFrame Selection with Structure-aware mapping for endoscopic Gaussian Splatting SLAM), which couples motion-guided adaptive keyframe selection with structurally supervised mapping and restricted temporal deformation. Accumulated motion guides adaptive keyframe selection, with complementary cues suppressing redundant or unreliable candidates. Density-aware mapping with anatomical contour supervision (colon folds) emphasizes structurally informative regions, while restricted temporal deformation accommodates local tissue dynamics without unconstrained geometric drift. We evaluate KFS$^4$LAM against Gaussian-SLAM baselines on C3VD and C3VD-v2, together with cross-backbone and component ablations. KFS$^4$LAM achieves strong overall performance across trajectory, rendering, and depth metrics, with pronounced gains on more challenging C3VD-v2 dataset. In the matched comparison with SplaTAM on C3VD-v2, it reduces rotational relative pose error by 20.3% and depth RMSE by 38.4%, while improving PSNR by 0.78 dB. Cross-backbone experiments further show that the framework is not tied to a single underlying SLAM architecture. Code and visualization results are available at https://xinweiju.github.io/KFSLAM/.
• Abstract（参考訳）: Gaussian-splatting Simultaneous Localization and Mapping (SLAM)は、高精細でレンダリング可能な3Dシーン表現で従来のSLAMを強化し、高品質な再構築とノベルビュー合成を可能にする。 しかし、そのローカライゼーション、再構成、レンダリング性能は、どの観察がマッピングのために保持されているかに大きく依存する。 既存のシステムは一般に、固定時間間隔や、キーフレーム選択のための単純なポーズと重複に基づく基準に依存している。 大腸内視鏡検査では、一様でないカメラの動き、反復解剖学、特異性、視覚的アーティファクトはこれらの基準を信頼できないものにし、冗長なキーフレームや情報の欠落につながる。 KFS$^4$LAM (KeyFrame Selection with Structure-aware mapping for endoscopic Gaussian Splatting SLAM) は, 運動誘導型適応キーフレーム選択と, 構造的教師付きマッピングと制限時間的変形を併用する。 累積的な動きは適応的なキーフレーム選択を誘導し、補完的なキューは冗長または信頼できない候補を抑圧する。 解剖学的輪郭監督 (Colon folds) を用いた密度対応マッピングは構造的情報的領域を強調し, 時間的変形は非拘束幾何学的ドリフトを伴わない局所組織動態を許容する。 また,KFS$^4$LAMをC3VDおよびC3VD-v2上のガウスSLAMベースラインに対して,クロスバックボーンおよびコンポーネントアブレーションとともに評価した。 KFS$^4$LAMは、より困難なC3VD-v2データセットに対して、トラジェクトリ、レンダリング、ディープメトリックにわたって、強力な全体的なパフォーマンスを実現する。 C3VD-v2上のSplaTAMとの比較では、回転相対ポーズ誤差を20.3%、深度RMSEを38.4%削減し、PSNRを0.78dB改善した。 クロスバックボーンの実験は、フレームワークが単一の基盤となるSLAMアーキテクチャに結びついていないことを示している。 コードと視覚化結果はhttps://xinweiju.github.io/KFSLAM/で公開されている。

関連論文リスト

• GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
  GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。 高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
  論文  参考訳（メタデータ） (2026-07-23T15:52:35Z)
• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• PointSLAM++: Robust Dense Neural Gaussian Point Cloud-based SLAM [15.127969048723408]
  現在の同時ローカライゼーションとマッピング(SLAM)アプローチは、奥行き雑音の存在下で構造的一貫性とロバストなポーズ推定を維持するのにしばしば苦労する。 この研究は、構造的関係を維持するために階層的に制約されたニューラルガウス表現を利用する新しいRGB-D SLAMシステムであるPointSLAM++を紹介する。 また、深度センサノイズを軽減するためにプログレッシブポーズ最適化を採用し、局所化精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2026-01-10T04:12:13Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• STAvatar: Soft Binding and Temporal Density Control for Monocular 3D Head Avatars Reconstruction [18.777422532112105]
  既存の3次元ガウス散乱に基づく手法は、通常、ガウス多様体を線形ブレンドスキニングのみを通してメッシュ三角形とモデル変形に結合する。 本研究では,(1)UV空間内のガウス特徴オフセットを学習するために,画像ベースと幾何学的先行情報の両方を活用するUV-Temporal Soft BindingフレームワークであるSTAvatarを提案する。 STAvatarは、特に細かな細部を捉え、しばしば閉鎖された領域を再構築する際に、最先端の再構築性能を達成する。
  論文  参考訳（メタデータ） (2025-11-25T02:35:00Z)
• 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)
• Leveraging Neural Radiance Field in Descriptor Synthesis for Keypoints Scene Coordinate Regression [1.2974519529978974]
  本稿では,Neural Radiance Field (NeRF) を用いたキーポイント記述子合成のためのパイプラインを提案する。 新たなポーズを生成してトレーニングされたNeRFモデルに入力して新しいビューを生成することで、当社のアプローチは、データスカース環境でのKSCRの機能を強化します。 提案システムは,最大50%のローカライズ精度向上を実現し,データ合成に要するコストをわずかに抑えることができた。
  論文  参考訳（メタデータ） (2024-03-15T13:40:37Z)
• 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。