日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
SLAMarXiv:2610.41602

Atlanta世界事前分布を活用した屋内再構成向け暗黙ガウシアンSLAM

DrawSplat: Atlanta World-Guided Implicit Gaussian SLAM for Indoor Reconstruction

シェア:XThreadsFacebookLINEはてブBluesky

点と線の追跡から構造平面を推定し、Atlanta世界の重力事前分布を正則化に用いることで、屋内環境のガウシアンSLAMの追跡精度・描画品質・幾何一貫性を向上させた研究。

詳しい要約

1. どんなもの？

- 屋内RGB-D SLAMのためのGaussian SLAMフレームワーク「DrawSplat」 - 描画のようなプロセスで再構成: 明示的なpoint-line幾何で構造レイアウトを下書きし、implicit neural Gaussiansで外観と連続的幾何詳細を充填 - カメラpose、sparse geometry、重力方向をpoint-line joint trackingで推定 - Atlanta World priorを活用し、追跡したlineから構造planeを推定 - anchor-based implicit neural Gaussian表現とadaptive structural samplingを組み合わせ - 対象は弱テクスチャ、大規模平面構造、noisy depth、長軌跡を含む屋内シーン

2. 先行研究と比べてどこがすごい？

- 既存Gaussian SLAMはphotometric・depth・local frame-to-model制約でGaussian primitivesを最適化するものが主流 - それらは弱テクスチャや大平面、noisy depth、長軌跡の屋内環境で不十分になりやすい - 結果としてpose drift、surface thickness artifacts、noisy normals、構造境界のぼけが生じる - DrawSplatはAtlanta World priorとpoint-line joint trackingを導入し、構造planeを微分可能な正則化項に変換 - 複数データセットでGaussian系SLAM中、堅牢なtracking・高忠実rendering・強い幾何再構成を品質・効率・モデルサイズのバランスを保ちつつ達成したと主張

3. 技術・手法の肝は？

- point-line joint trackingによりcamera pose、sparse geometry、重力方向を同時推定 - 追跡したlineからAtlanta World priorのshared-gravity成分を用いて構造planeを推定 - 推定planeをGaussian centersとnormalsへの微分可能なregularization termsに変換 - anchor-based implicit neural Gaussian representationを採用しコンパクト性と効率を向上 - adaptive structural samplingで構造情報の多い領域にGaussian容量を配分 - 明示的point-line幾何のsketchとimplicit neural Gaussiansの充填を組み合わせる描画型パイプライン

4. どうやって有効だと検証した？

- 複数のデータセット上で実験を実施 - Gaussian-based SLAMシステム間で比較し、堅牢なtracking、高忠実rendering、強い幾何再構成を確認したと報告 - 品質・効率・モデルサイズの実用的バランスも評価 - 具体的なデータセット名、指標、比較手法、定量値は要旨からは不明

5. 議論はある？

- 弱テクスチャ、大平面、noisy depth、長軌跡における既存Gaussian SLAMの課題を動機として提示 - Atlanta World priorのshared-gravity仮定に基づく構造plane推定の妥当性や限界は要旨からは不明 - adaptive structural samplingの容量配分が品質・効率へ与える影響の詳細は要旨からは不明 - 失敗ケースや制約、計算コストの詳細な議論は要旨からは不明

6. 次に読むべき論文は？

- 比較対象として言及される既存Gaussian SLAM手法（photometric・depth・local frame-to-model制約を用いるGaussian SLAM） - Atlanta World priorに関する研究 - point-line joint trackingやline-based SLAMに関する研究 - anchor-based neural Gaussian表現（例: Scaffold-GS系のanchor表現） - adaptive samplingや構造正則化を用いたNeRF/3DGSベースSLAM - 具体的な論文名は要旨からは不明

※ 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: Fan Zhu, Zhisong Xu, Ziyu Chen, Zhenjun Zhao, Takayuki Okatani

分類: cs.CV, cs.RO

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI