論文の概要: LingGS: Decoupling Feed-Forward Geometry Prediction from Camera Tracking for High-Fidelity Gaussian SLAM
- arxiv url: http://arxiv.org/abs/2610.36853v1
- Date: Tue, 27 Oct 2026 08:51:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.249863
- Title: LingGS: Decoupling Feed-Forward Geometry Prediction from Camera Tracking for High-Fidelity Gaussian SLAM
- Title（参考訳）: LingGS:高密度ガウスSLAMのためのカメラトラッキングによるフィードフォワード形状予測の分離
- Abstract要約: 学習した幾何学的先行情報と明示的な幾何学的カメラ追跡を組み合わせたオンラインシステムを提案する。
凍結ストリーミング3Dファンデーションモデルは、仮想RGB-Dセンサーとして機能し、モノクロビデオからの深さ推定を提供する。
明示的な幾何学的解法が特徴再射を通してカメラの動きを推定し、ストリーミングガウスマッパーがその結果を密集したシーン表現に統合する。
- 参考スコア（独自算出の注目度）: 14.401658464020018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving high-quality reconstruction and responsive camera tracking remains challenging for monocular RGB Gaussian splatting SLAM under a limited optimization budget. We present an online system that addresses this challenge by combining learned geometric priors with explicit geometric camera tracking, which can substantially outperform learned camera prediction in terms of tracking accuracy. A frozen streaming 3D foundation model serves as a virtual RGB-D sensor, providing depth estimation from monocular video. An explicit geometric solver then estimates camera motion through feature reprojection, and a streaming Gaussian mapper integrates the resulting observations into a dense scene representation. We further show that geometric tracking improves camera pose accuracy across representative streaming geometry backbones, demonstrating the broader applicability of our approach. Extensive experiments on indoor and outdoor datasets show that our method significantly improves reconstruction quality over existing approaches, achieving about 7 FPS on a single RTX 4090 and delivering 2-3 times the throughput of the evaluated prior SLAM systems.
- Abstract（参考訳）: 高品質なリコンストラクションとレスポンシブカメラトラッキングを実現することは、限定的な最適化予算の下で単眼RGBガウススプレイティングSLAMでは依然として困難である。
本稿では,この課題に対処するオンラインシステムについて,学習した幾何学的先行情報と明示的な幾何学的カメラ追跡を組み合わせることで,追跡精度において学習したカメラ予測を大幅に上回ることができることを示す。
凍結ストリーミング3Dファンデーションモデルは、仮想RGB-Dセンサーとして機能し、モノクロビデオからの深さ推定を提供する。
明示的な幾何学的解法が特徴再射を通してカメラの動きを推定し、ストリーミングガウスマッパーがその結果を密集したシーン表現に統合する。
さらに、幾何学的トラッキングにより、代表的なストリーミング幾何バックボーン間でのカメラポーズの精度が向上し、我々のアプローチのより広範な適用性を示す。
室内および屋外のデータセットに対する大規模な実験により,提案手法は既存手法に比べて再現性を大幅に向上し,RTX 4090で約7 FPSを実現し,評価済みSLAMシステムのスループットの2～3倍のスループットを実現した。
関連論文リスト
- Foundation4D: Towards a unified perception and reconstruction model for autonomous vehicles [50.869471010323956]
Foundation4Dは、幾何学的推定3次元検出、意味的占有、ビデオからのガウス的再構成のための統合フィードフォワードモデルである。
幾何学的占有を伴うコトレーニング検出は、検出のみのトレーニングよりも、トップクラスのmAPを1.2ポイント改善する。
我々はさらに、予測幾何と軌跡をライダーレスNuRecの前駆体として利用し、シミュレーションのための走行シーンの再構築を支援する。
論文 参考訳（メタデータ） (2026-10-21T19:00:46Z) - GeoGS-SLAM: Online Monocular Reconstruction Using Gaussian Splatting with Geometric Priors [2.614894682819833]
3DGSをベースとした地図表現と学習した幾何学的先行情報を組み合わせたオンライン単分子密度再構成システムGeoGS-SLAMを提案する。
カメラポーズとシーンマップは、光学的損失と幾何学的損失の両方を最小限に抑える粗大な戦略によって、共同最適化される。
論文 参考訳（メタデータ） (2026-07-13T07:32:09Z) - MCGS-SLAM: A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping [52.99503784067417]
3次元ガウス平板上に構築した初のRGBベースのマルチカメラSLAMシステムMCGS-SLAM(3DGS)を提案する。
マルチカメラバンドル調整(MCBA)は、高密度の測光および幾何残差を介してポーズと深さを共同で洗練し、スケール整合モジュールはビューを横断する計量アライメントを強制する。
合成および実世界のデータセットの実験は、MCGS-SLAMが一貫して正確な軌道と光現実的再構成をもたらすことを示している。
論文 参考訳（メタデータ） (2025-09-17T17:27:53Z) - 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) - TVG-SLAM: Robust Gaussian Splatting SLAM with Tri-view Geometric Constraints [22.121665995381324]
TVG-SLAMはRGBのみの堅牢な3DGS SLAMシステムである。
本手法はロバスト性を向上し,平均的絶対軌道誤差(ATE)を69.0%削減し,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-06-29T12:31:05Z) - 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) - MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。
我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。
また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
論文 参考訳（メタデータ） (2024-04-01T04:57:41Z) - Gaussian Splatting SLAM [16.3858380078553]
単分子SLAMにおける3次元ガウス散乱の最初の応用について述べる。
我々の方法は3fpsで動作し、正確な追跡、マッピング、高品質なレンダリングに必要な表現を統一する。
ライブカメラから高忠実度で連続的に3Dシーンを再構築するためには、いくつかの革新が必要である。
論文 参考訳（メタデータ） (2023-12-11T18:19:04Z)
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。