Structure Gaussian SLAM with Manhattan World Hypothesis

要約

ガウス SLAM システムは、リアルタイム再構成の効率と忠実度の向上において大幅な進歩を遂げました。
ただし、これらのシステムは、複雑な屋内環境で不完全な再構成に遭遇することがよくあり、障害物や限られた視野角によって引き起こされる観察されないジオメトリによる大きな穴が特徴です。
この課題に対処するために、マンハッタン ワールド仮説を活用して幾何学的精度と完全性を向上させる RGB-D システムであるマンハッタン ガウシアン SLAM (MG-SLAM) を紹介します。
MG-SLAM は、構造化されたシーンから派生した融合された線分をシームレスに統合することにより、テクスチャのない屋内エリアでの堅牢な追跡を保証します。
さらに、抽出された線と平面の表面の仮定により、ジオメトリが欠落している領域で新しいガウスを戦略的に補間することができ、効率的なシーンの完成が可能になります。
合成シーンと現実世界の両方のシーンで行われた広範な実験により、これらの進歩によって私たちの手法が最先端のパフォーマンスを達成できることが実証され、ガウス SLAM システムの機能が大幅に向上しました。

要約(オリジナル)

Gaussian SLAM systems have made significant advancements in improving the efficiency and fidelity of real-time reconstructions. However, these systems often encounter incomplete reconstructions in complex indoor environments, characterized by substantial holes due to unobserved geometry caused by obstacles or limited view angles. To address this challenge, we present Manhattan Gaussian SLAM (MG-SLAM), an RGB-D system that leverages the Manhattan World hypothesis to enhance geometric accuracy and completeness. By seamlessly integrating fused line segments derived from structured scenes, MG-SLAM ensures robust tracking in textureless indoor areas. Moreover, The extracted lines and planar surface assumption allow strategic interpolation of new Gaussians in regions of missing geometry, enabling efficient scene completion. Extensive experiments conducted on both synthetic and real-world scenes demonstrate that these advancements enable our method to achieve state-of-the-art performance, marking a substantial improvement in the capabilities of Gaussian SLAM systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google