論文の概要: DPGS-SLAM: Diffusion-Prior and Provenance-Aware Monocular Gaussian Splatting SLAM for Dynamic Visual Sensing
- arxiv url: http://arxiv.org/abs/2611.12038v2
- Date: Thu, 12 Nov 2026 13:35:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.880996
- Title: DPGS-SLAM: Diffusion-Prior and Provenance-Aware Monocular Gaussian Splatting SLAM for Dynamic Visual Sensing
- Title(参考訳): DPGS-SLAM:動的視覚センシングのための拡散ピリオドと存在認識単分子ガウス平滑化SLAM
- Abstract要約: DPGS-SLAMは、観測が不十分な静的背景の一時的な表現をサポートする単分子RGB SLAMフレームワークである。
プロヴァンスラベルは、生成されたプリミティブと観測支援プリミティブを区別する。
DPGS-SLAMはモノクロRGB入力のみを使用して平均PSNRをWildGS-SLAMで4.60dB改善した。
- 参考スコア(独自算出の注目度): 10.599886715597437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents DPGS-SLAM (Diffusion-Prior and Provenance-Aware Monocular Gaussian Splatting SLAM) for dense mapping in environments containing dynamic objects. Objects in dynamic motion remain a significant challenge for dense visual SLAM since dynamic observations can contaminate camera tracking and scene reconstruction. Although 3DGS (3D Gaussian splatting) enables efficient dense mapping, existing 3DGS-SLAM systems may exhibit instability when dynamic objects violate their underlying static-scene assumption. Excluding dynamic observations can reduce their influence on tracking and mapping, but may leave occluded static backgrounds missing or weakly constrained. Our proposed DPGS-SLAM is a monocular RGB SLAM framework that supports provisional representations of insufficiently observed static backgrounds through asynchronous diffusion-based background completion and provenance-aware Gaussian mapping. Dynamic regions are identified through optical-flow-based motion discovery and temporally consistent mask propagation by SAM2. For selected keyframes, a fine-tuned diffusion inpainting model generates plausible background appearance in occluded regions, while metric depth predicted from completed images initializes provisional Gaussian primitives. Provenance labels distinguish generated primitives from observation-supported primitives, excluding generated content from camera-pose estimation and observed-map optimization. When previously occluded backgrounds become visible, eligible generated primitives are removed, and observation-supported primitives are independently initialized from real RGB observations and predicted depth. Experimental results demonstrated competitive camera tracking, with average ATE RMSE values of 1.2 cm on TUM RGB-D and 2.7 cm on BONN RGB-D datasets. On StaDy4D, DPGS-SLAM improved average PSNR by 4.60 dB over WildGS-SLAM using only monocular RGB input.
- Abstract(参考訳): 本稿では,動的物体を含む環境における高密度マッピングのためのDPGS-SLAM (Diffusion-Prior and Provenance-Aware Monocular Gaussian Splatting SLAM)を提案する。
ダイナミックモーションの物体は、ダイナミックな観察によってカメラ追跡やシーン再構成が汚染されるため、高密度視覚SLAMにとって重要な課題である。
3DGS(3D Gaussian splatting)は効率的な高密度マッピングを可能にするが、既存の3DGS-SLAMシステムでは、動的オブジェクトが基礎となる静的シーンの仮定に反した場合、不安定性を示す可能性がある。
ダイナミックな観測を除くと、追跡やマッピングへの影響は減少するが、隠蔽された静的な背景が失われたり、制約が弱かったりする可能性がある。
提案するDPGS-SLAMは,非同期拡散に基づくバックグラウンド補完とガウス対応のガウスマッピングにより,観測が不十分な静的背景の一時的表現をサポートする,単分子的なRGB SLAMフレームワークである。
動的領域は光フローに基づく運動発見とSAM2による時間的に一貫したマスク伝搬によって同定される。
選択されたキーフレームに対して、微調整拡散塗装モデルにより、隠蔽領域における可視的背景の外観が生成される一方、完了した画像から予測されるメートル法深さは、仮ガウス原始体を初期化する。
プロヴァンスラベルは、生成されたプリミティブと観測支援プリミティブを区別し、カメラの配置推定と観測マップの最適化から生成されたコンテンツを除外する。
予め隠された背景が見えるようになると、許容可能な生成プリミティブが取り除かれ、観測支援プリミティブは実際のRGB観測と予測深度から独立して初期化される。
実験の結果、TUM RGB-Dでは平均1.2cm、BONN RGB-Dでは2.7cmの競合カメラ追跡が示された。
StaDy4Dでは、DPGS-SLAMはモノクロRGB入力のみを使用してWildGS-SLAM上で平均PSNRを4.60dB改善した。
関連論文リスト
- Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM [55.56111618153049]
光学的流れによって誘導される動的3DGS SLAMのための効率的なフレームワークを提案する。
動的3DGSのトレーニング速度は,時間中心を明示的にモデル化することで向上する。
その結果, 追跡, 動的再構成, 訓練効率の両立が実証された。
論文 参考訳(メタデータ) (2026-04-24T08:13:01Z) - 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) - UP-SLAM: Adaptively Structured Gaussian SLAM with Uncertainty Prediction in Dynamic Environments [1.4117999181375773]
UP-SLAMは動的環境のためのリアルタイムRGB-D SLAMシステムである。
並列化フレームワークを通じて追跡とマッピングを分離する。
実験により、ローカライズ精度とレンダリング品質の両方において最先端の手法より優れていることが示唆された。
論文 参考訳(メタデータ) (2025-05-28T13:23:16Z) - WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments [48.51530726697405]
WildGS-SLAMは、動的環境を扱うために設計された、堅牢で効率的な単分子RGB SLAMシステムである。
本研究では,浅い多層パーセプトロンとDINOv2の特徴によって予測される不確実性マップを導入し,追跡とマッピングの両方において動的物体除去を誘導する。
その結果,WildGS-SLAMの動的環境における性能は最先端の手法に比べて優れていた。
論文 参考訳(メタデータ) (2025-04-04T19:19:40Z) - MGS-SLAM: Monocular Sparse Tracking and Gaussian Mapping with Depth Smooth Regularization [29.713650915551632]
本稿では,ガウススプラッティングに基づく濃密な視覚的局所化とマッピングのための新しいフレームワークを紹介する。
疎視度追跡と3次元ガウススプラッティングのシーン表現を初めて共同で最適化する。
ポーズ推定の精度は既存の手法や最先端の手法を超越している。
論文 参考訳(メタデータ) (2024-05-10T04:42:21Z)
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。