CG-SLAM: Efficient Dense RGB-D SLAM in a Consistent Uncertainty-aware 3D Gaussian Field

要約

最近、神経放射フィールド (NeRF) が、高密度同時位置特定およびマッピング (SLAM) の 3D 表現として広く活用されています。
既存の NeRF ベースの手法は、サーフェス モデリングと新しいビュー合成で顕著な成功を収めているにもかかわらず、計算量が多く時間のかかるボリューム レンダリング パイプラインによって妨げられています。
この論文では、高い一貫性と幾何学的安定性を備えた新しい不確実性を意識した 3D ガウス場に基づいた効率的な高密度 RGB-D SLAM システム、つまり CG-SLAM を紹介します。
ガウス スプラッティングの詳細な分析を通じて、追跡とマッピングに適した一貫した安定した 3D ガウス フィールドを構築するためのいくつかの手法を提案します。
さらに、最適化中に価値のあるガウス プリミティブを確実に選択するために、新しい深度不確実性モデルが提案され、それによって追跡効率と精度が向上します。
さまざまなデータセットでの実験により、CG-SLAM が最大 15 Hz という顕著な追跡速度で優れた追跡およびマッピングのパフォーマンスを達成することが実証されています。
ソースコードを公開します。
プロジェクトページ: https://zju3dv.github.io/cg-slam。

要約(オリジナル)

Recently neural radiance fields (NeRF) have been widely exploited as 3D representations for dense simultaneous localization and mapping (SLAM). Despite their notable successes in surface modeling and novel view synthesis, existing NeRF-based methods are hindered by their computationally intensive and time-consuming volume rendering pipeline. This paper presents an efficient dense RGB-D SLAM system, i.e., CG-SLAM, based on a novel uncertainty-aware 3D Gaussian field with high consistency and geometric stability. Through an in-depth analysis of Gaussian Splatting, we propose several techniques to construct a consistent and stable 3D Gaussian field suitable for tracking and mapping. Additionally, a novel depth uncertainty model is proposed to ensure the selection of valuable Gaussian primitives during optimization, thereby improving tracking efficiency and accuracy. Experiments on various datasets demonstrate that CG-SLAM achieves superior tracking and mapping performance with a notable tracking speed of up to 15 Hz. We will make our source code publicly available. Project page: https://zju3dv.github.io/cg-slam.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google