SettleSplat: 視野内のシーン変化に対応する単眼ガウシアンマッピング

- 単眼のオンライン3D Gaussian mappingシステム「SettleSplat」を提案する研究。 - カメラ視野内で物体が操作される「in-view scene changes」を扱う。 - 単一のオンラインシーケンス中に、transient(移動中)とpersistent(定着後)の変化が混在する状況で、最新の3D Gaussian mapを維持することを目指す。 - AR、robotics、autonomous systemsへの応用を動機とする。

- 従来の多くは静的シーンを仮定するか、動的要素をoutlierとして除去する。 - 先行研究はカメラ視野外の変化や別々のキャプチャ間の変化検出が中心。 - 本研究は単一オンラインシーケンス内のin-view scene changesに着目する点が新しい。 - 最近のdistractor除去研究はクリーンな静的背景を目指すが、in-view scene changesは未探索。 - SettleSplatは変化を除去せず、最新のmapを維持する点で異なる。

- 粗いper-pixel uncertaintyをGaussian dynamicity fieldへliftし、transientなGaussianをpruneする。 - persistentな変化に対してはgeometric contradictionsを導出する。 - そのcontradictionをparameter-free rendered depth uncertaintyで重み付けし、真の変化とunder-optimized領域を分離する。 - これによりtransientとpersistentが絡み合う状況を扱う。

- BonnとCo-Fusionのデータセットで評価。 - 一貫した3D Gaussian mapが得られることを示す。 - full imagesとchange regionsの両方で現行baselineを上回る。 - 速度は同等程度を維持。

- in-view scene changesは未探索であり、transientとpersistentの絡み合いが課題。 - 変化領域とfull imageの両方で改善しつつ速度を維持できると主張。 - 限界や失敗ケース、詳細な議論は要旨からは不明。

- 要旨で比較対象としてBonn、Co-Fusionのデータセットが挙げられている。 - distractor除去による静的背景を目指す最近の研究(具体的名称は要旨からは不明)。 - 3D Gaussian mappingのオンライン手法(具体的名称は要旨からは不明)。 - 同分野の定番としてonline SLAMやdynamic SLAM関連の研究が次に読む候補。