3DROID: シーンごとの信頼性を計測したレンダリング可能な3Dガウシアンデータセット

- ロボットマニピュレーション研究向けの、レンダリング可能な3D Gaussian Splatting (3DGS) データセット。 - 各シーンに計測された信頼性情報（reliability）を付与。 - メートルスケールにアンカーされたポーズ情報を含む。 - カメラ外部パラメータの信頼性とポーズ条件付けの影響を調査。 - データセットはHugging Faceで公開。

- 従来のロボットデータ拡張はdepth、point cloud、3D trajectoryなどの幾何学的事前情報を用いるが、3DGSはレンダリング可能な3D監督として有望。 - しかし3DGSは主にフォトメトリック忠実度を目的とし、実世界のメートルスケールを保持しない可能性がある。 - 本研究は外部パラメータの信頼性とポーズ条件付けの影響を明示的に研究し、キャリブレーションを考慮したパイプラインを提案。 - シーンごとの信頼性情報を提供する点が新しい。

- フィードフォワード3DGSに対する外部パラメータ信頼性とポーズ条件付けの効果を分析。 - キャリブレーションを考慮したパイプラインを提案し、再構成シーンをロボットのメートルワークスペースにアンカー。 - ポーズ条件付けは新規視点忠実度を改善するが、幾何学的利益は注入された外部パラメータの信頼性に依存。 - シーンごとの信頼性情報を計測し、データセットに付与。

- 外部パラメータ信頼性とポーズ条件付けの影響を実験的に評価。 - ポーズ条件付けが新規視点忠実度を改善することを示す。 - 幾何学的利益が外部パラメータの信頼性に依存することを確認。 - 提案パイプラインを用いてデータセットを構築し、公開。

- 3DGSはフォトメトリック忠実度に特化しており、メートルスケールを保持しない可能性がある。 - 外部パラメータが信頼できない場合、ポーズ条件付けの幾何学的利益が制限される。 - キャリブレーションを考慮したアプローチの必要性を議論。 - シーンごとの信頼性情報の重要性を強調。

- 要旨で参照/比較されている研究：depth、point cloud、3D trajectoryを用いたロボットデータ拡張、3D Gaussian Splatting (3DGS)。 - 関連手法：feed-forward 3DGS、pose conditioning。 - 同分野の定番：NeRF、SLAM、Structure from Motion (SfM)。