SLAM2026/8/15arXiv:2608.15024

MotionGS-SLAM: イベント変調ガウススプラッティングによるモーションブラー耐性SLAM

MotionGS-SLAM: Event-Modulated Gaussian Splatting for Motion-Blur Robust SLAM

モーションブラーを除去するのではなく、ブラー生成過程をレンダリングパイプラインに組み込むことで、イベントカメラの時間分解能を活用し、高運動条件下でも高精度な軌跡推定と地図構築を実現するSLAMシステムを提案した。

詳しい要約

1. どんなもの？

MotionGS-SLAMは、イベントカメラとGaussian Splattingを統合したVisual SLAMシステムで、モーションブラーが発生する環境下でも頑健に動作する。従来のブラー除去に頼るのではなく、ブラー生成過程を前方問題としてモデル化し、レンダリングパイプライン内でブラーを生成的に再現する。イベントカメラの高時間分解能とブラー非依存性を活用し、各Gaussianのラスタライゼーションを動的に適応させるイベント変調Gaussianカーネルを導入する。

2. 先行研究と比べてどこがすごい？

従来のVision-based SLAMは、モーションブラーによる劣化観測から鮮明な画像を復元するという不良設定問題（ill-posed inverse problem）を解こうとするため、高運動条件下で破綻する。MotionGS-SLAMは、ブラー除去ではなくブラー形成を前方問題として定式化するパラダイムシフトを提案し、イベントカメラの特性を利用して物理ベースのブラーモデルをレンダリングに組み込む点が革新的である。

3. 技術・手法の肝は？

手法の核は、イベント変調Gaussianカーネルと二重変調メカニズムにある。空間変調では、2D Gaussian投影を等方的な点から、運動方向に沿った異方的な楕円ブラシストロークへ変換する。時間変調では、局所速度に基づいて露光積分のサンプリング密度を適応的に変化させる。これにより、露光中のカメラ軌跡と3Dシーン幾何を、ブラー対応の光度制約とイベントベース制約を通じて同時最適化する。

4. どうやって有効だと検証した？

広範な実験により、高運動条件下での軌跡精度と地図品質において、最先端手法を大幅に上回ることを実証した。具体的なデータセットや比較手法は要旨に明記されていないが、trajectory accuracyとmap qualityの指標で評価されている。

5. 議論はある？

要旨からは、提案手法の限界や特定の条件下での性能低下に関する議論は不明である。また、実世界の複雑なシーンでの汎用性や、計算コスト、他のセンサフュージョンとの比較などについても言及がない。

6. 次に読むべき論文は？

要旨で参照されている先行研究は明示されていないが、関連分野としてEvent-based SLAM、Gaussian Splatting SLAM、Motion Blur Robust Visual Odometryなどの研究が挙げられる。具体的には、Event-based SLAMの代表的な手法や、3D Gaussian Splattingを用いたSLAMシステム（例：SplaTAM、GS-SLAM）を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zhiqiang Hu, Shouren Huang, Masatoshi Ishikawa

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Current Vision-based SLAM systems fail catastrophically when motion blur corrupts the visual input, as they attempt the ill-posed inverse problem of recovering sharp content from degraded observations. We present MotionGS-SLAM, which fundamentally reimagines motion blur handling through a paradigm shift: rather than removing blur artifacts, we reformulate the challenge as a well-constrained forward problem that generatively models blur formation within the rendering pipeline. By leveraging event cameras' microsecond temporal resolution and immunity to motion blur, we introduce a novel event-modulated Gaussian kernel that dynamically adapts each Gaussian's rasterization based on precise motion cues. Our dual-modulation mechanism transforms 2D Gaussian projections from isotropic dots into anisotropic, motion-aligned elliptical brush strokes (spatial modulation) while adaptively varying exposure integral sampling density based on local velocity (temporal modulation). This physics-based approach enables joint optimization of intra-exposure camera trajectories and 3D scene geometry through blur-aware photometric and event-based constraints. Extensive experiments demonstrate significant improvements over state-of-the-art methods in trajectory accuracy and map quality under severe high-motion conditions.

arXivで原文を読む →arXiv概要ページ