論文の概要: DrawSplat: Atlanta World-Guided Implicit Gaussian SLAM for Indoor Reconstruction
- arxiv url: http://arxiv.org/abs/2610.41602v1
- Date: Fri, 30 Oct 2026 11:35:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.692731
- Title: DrawSplat: Atlanta World-Guided Implicit Gaussian SLAM for Indoor Reconstruction
- Title（参考訳）: アトランタ・ワールドガイド・インシシタン・ガウシアン・SLAM(動画あり)
- Abstract要約: RGB-D SLAMは正確なオンライン追跡、高品質なレンダリング、幾何的に一貫した再構築を必要とする。
既存のガウスSLAM法は主に光度、深さ、または局所的なフレーム・ツー・モデル制約でプリミティブを最適化する。
アトランタ世界誘導型暗黙のガウスSLAMフレームワークであるDrawSplatを提案する。
- 参考スコア（独自算出の注目度）: 21.672414017482467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RGB-D SLAM requires accurate online tracking, high-quality rendering, and geometrically consistent reconstruction. Existing Gaussian SLAM methods mainly optimize Gaussian primitives with photometric, depth, or local frame-to-model constraints, which are often insufficient in indoor scenes with weak textures, large planar structures, noisy depth, and long trajectories. The resulting maps may suffer from pose drift, surface thickness artifacts, noisy normals, and blurred structural boundaries. We propose DrawSplat, an Atlanta World-guided implicit Gaussian SLAM framework for indoor reconstruction. DrawSplat follows a drawing-like process: explicit point-line geometry first sketches the structural layout, and implicit neural Gaussians then fill in high-fidelity appearance and continuous geometric details. It estimates camera poses, sparse geometry, and gravity direction through point-line joint tracking, infers structural planes from tracked lines using the shared-gravity component of the Atlanta World prior, and converts them into differentiable regularization terms on Gaussian centers and normals. To improve compactness and efficiency, DrawSplat further combines an anchor-based implicit neural Gaussian representation with adaptive structural sampling, which allocates Gaussian capacity to structurally informative regions. Experiments on multiple datasets show that DrawSplat achieves robust tracking, high-fidelity rendering, and strong geometric reconstruction among Gaussian-based SLAM systems, while maintaining a practical balance among quality, efficiency, and model size.
- Abstract（参考訳）: RGB-D SLAMは正確なオンライン追跡、高品質なレンダリング、幾何的に一貫した再構築を必要とする。
既存のガウシアンSLAM法は主にガウシアン原始体を測光、深度、または局所的なフレーム・ツー・モデルの制約で最適化するが、これはしばしば室内では弱いテクスチャ、大きな平面構造、ノイズの深い深さ、長い軌跡を持つシーンでは不十分である。
結果として得られた地図は、ポーズドリフト、表面の厚さのアーティファクト、ノイズの多い正規、およびぼやけた構造境界に悩まされる可能性がある。
アトランタ世界誘導型暗黙のガウスSLAMフレームワークであるDrawSplatを提案する。
明示的な点線幾何学はまず構造的レイアウトをスケッチし、暗黙的なニューラルガウスは高忠実な外観と連続した幾何学的詳細を埋める。
カメラのポーズ、スパース幾何学、重力方向をポイントラインの関節追跡を通じて推定し、アトランタ・ワールドの共有重力成分を用いて軌道線から構造面を推定し、ガウス中心と正規点の微分正則化項に変換する。
コンパクト性と効率性を改善するため、DrawSplatはさらに、アンカーベースの暗黙の神経ガウス表現と適応的な構造サンプリングを組み合わせることで、ガウスの容量を構造的な情報的領域に割り当てる。
複数のデータセットの実験により、DrawSplatはガウスベースのSLAMシステム間で堅牢な追跡、高忠実なレンダリング、強力な幾何学的再構築を実現し、品質、効率、モデルサイズ間の実用的なバランスを維持していることが示された。
関連論文リスト
- Real-Time LiDAR Gaussian Splatting SLAM [2.0524609401792397]
我々は,高速なG-ICP登録と球状化に基づく大規模シーケンスの高密度マッピングを密結合するリアルタイムなLiDARベースのSLAMフレームワークを提案する。
追跡推定局所共分散を再利用し、ガウスを範囲対応スケールで初期化し、写像最適化のための曲面正規化を導出する。
ニューアー・カレッジのデータセットでは、Fスコアが86.78%に達し、オンライントラジェクトリをリアルタイムに利用している。
論文 参考訳（メタデータ） (2026-07-05T05:55:32Z) - 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) - GaussianFlow SLAM: Monocular Gaussian Splatting SLAM Guided by GaussianFlow [7.598885266145037]
本稿では,光学的フローを幾何学的認識のキューとして用いて,シーン構造とカメラポーズの両方の最適化を導くモノクロ3DGS-SLAMを提案する。
提案手法は,最先端のアルゴリズムと比較して,レンダリング品質と追跡精度に優れる。
論文 参考訳（メタデータ） (2026-04-17T01:34:46Z) - SING3R-SLAM: Submap-based Indoor Monocular Gaussian SLAM with 3D Reconstruction Priors [80.51557267896938]
SING3R-SLAMはガウスベースの高密度RGB SLAMフレームワークである。
SING3R-SLAMは最先端のトラッキング、3D再構成、新しいビューレンダリングを実現し、12%以上の精度向上を実現し、より細かな幾何を創出する。
論文 参考訳（メタデータ） (2025-11-21T12:40:55Z) - VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment [48.147381011235446]
3D Gaussian Splattingは、リアルタイムな新規ビュー合成のための効率的なソリューションとして最近登場した。
ビューアライメントによる3次元ガウス多様体の幾何学的表現を強化する新しい手法を提案する。
本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-10-13T14:44:50Z) - GauS-SLAM: Dense RGB-D SLAM with Gaussian Surfels [5.726938101368279]
GauS-SLAMは2次元ガウス波を利用した高密度RGB-D SLAMシステムである。
GauS-SLAMは同等の手法より優れており、追跡精度とレンダリング精度が優れている。
論文 参考訳（メタデータ） (2025-05-03T22:02:20Z) - GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。
最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。
この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。
本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-05-30T03:46:59Z) - Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。
GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。
GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
論文 参考訳（メタデータ） (2024-04-16T17:57:19Z) - GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。
我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。
提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-03-17T20:06:41Z)
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。