MG-SLAM: Structure Gaussian Splatting SLAM with Manhattan World Hypothesis

要約

ガウスのスプラットスラムは、リアルタイムの再構築の効率と忠実度を改善する上で大きな進歩を遂げました。
ただし、これらのシステムは、障害物または限られたビューアングルによって引き起こされる観測されていないジオメトリのために、実質的な穴を特徴とする複雑な屋内環境で不完全な再構築に遭遇することがよくあります。
この課題に対処するために、マンハッタンの世界仮説を活用して幾何学的精度と完全性を高めるRGB-DシステムであるManhattan Gaussian Slamを提示します。
構造化されたシーンから派生した融合ラインセグメントをシームレスに統合することにより、この方法により、テクステックのない屋内エリアでの堅牢な追跡が保証されます。
さらに、抽出されたラインと平面表面の仮定により、ジオメトリが欠落している地域における新しいガウスの戦略的補間により、シーンの完成が効率的になります。
合成シーンと現実世界の両方のシーンで実施された広範な実験は、これらの進歩により、私たちの方法が最先端のパフォーマンスを達成することができることを示しており、ガウススラムシステムの能力の大幅な改善を示しています。

要約(オリジナル)

Gaussian Splatting SLAMs 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, 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, our method 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