確率的LiDARスキャフォールドによるコンパクトで表面整合なガウシアンスプラッティング

- LiDAR と camera を併用する 3D Gaussian Splatting (3DGS) の新手法 PLS-GS を提案する研究。 - 高精細 LiDAR の幾何構造と画像の外観を組み合わせ、計測表面に沿った compact な 3DGS 表現を構築する。 - 位置と色の同時分布を Hierarchical Gaussian Mixture Model (GMM) でフィットさせ、それを scaffold として renderable な 3DGS を導く。 - 対象は主に大規模屋外シーン。

- 従来の 3DGS は画像のみから最適化するものが典型で、LiDAR 併用時も初期化程度の利用が想定される。 - PLS-GS は LiDAR を probabilistic scaffold として積極利用し、voxel grid や octree のような離散的なシーン分割を不要にする。 - 5 つの大規模屋外シーンで、image-initialized / LiDAR-initialized baseline より primitives を LiDAR 計測にはるかに近く配置。 - かつ primitives 数を大幅に削減し、より compact で高速な rendering を実現。 - 同一容量では rendering 品質を同等に保ちつつ LiDAR への近接性で優位。

- 位置と色の joint distribution を Hierarchical GMM でフィットし、連続かつ適応的な scaffold を得る。 - 各 rendering Gaussian を GMM component に対応付け、その covariance が誘起する局所表面フレーム内に拘束する。 - Mahalanobis support loss により、rendering Gaussian の LiDAR 由来表面からの逸脱を制限する。 - これにより離散分割なしで表面整合的な配置を実現する。

- 5 つの大規模屋外シーンで評価。 - image-initialized baseline および LiDAR-initialized baseline と比較。 - 指標として LiDAR 計測への primitives の近接性、primitives 数、rendering 速度、rendering 品質を確認。 - 同一容量条件でも近接性と品質を比較している。

- 要旨からは不明。 - 明示されているのは、compact 化・高速 rendering・表面整合性の利点と、同一容量での品質同等性まで。 - 限界や失敗ケース、LiDAR 品質依存性、屋内や動的シーンへの一般化については要旨からは不明。

- 3D Gaussian Splatting (3DGS) の原論文。 - LiDAR を用いた 3DGS 初期化・正則化の関連研究（要旨では個別名は示されず baseline として言及）。 - Gaussian Mixture Model を用いた点群・シーン表現の関連研究。 - Mahalanobis 距離に基づく表面拘束や support loss を用いる手法。