GSORB-SLAM: Gaussian Splatting SLAM benefits from ORB features and Transmittance information

要約

3D ガウス スプラッティング (3DGS) の出現により、最近、高密度ビジュアル SLAM 研究の新たな波が巻き起こりました。
ただし、現在の方法は、アーティファクトやノイズに対する感度、トレーニング視点の次善の選択、および軽いグローバル最適化の欠如などの課題に直面しています。
この論文では、3DGS と ORB 機能を密に結合する高密度 SLAM システムを提案します。
私たちは、堅牢な追跡を実現し、ノイズやアーティファクトの影響を効果的に軽減するための共同最適化アプローチを設計します。
これには、累積透過率から導出された新しい幾何学的観測値とピクセル データから抽出された ORB 特徴を組み合わせることが含まれます。
さらに、マッピング品質を向上させるために、ガウス プリミティブがシーンをコンパクトに表現できるようにする適応ガウス拡張および正則化方法を提案します。
これは、ハイブリッド グラフに基づく視点選択戦略と組み合わされて、過剰適合効果を軽減し、収束品質を向上させます。
最後に、私たちのアプローチは、コンパクトで高品質なシーン表現と正確な位置特定を実現します。
GSORB-SLAM はさまざまなデータセットで評価され、優れたパフォーマンスを実証しています。
コードが利用可能になります。

要約(オリジナル)

The emergence of 3D Gaussian Splatting (3DGS) has recently sparked a renewed wave of dense visual SLAM research. However, current methods face challenges such as sensitivity to artifacts and noise, sub-optimal selection of training viewpoints, and a lack of light global optimization. In this paper, we propose a dense SLAM system that tightly couples 3DGS with ORB features. We design a joint optimization approach for robust tracking and effectively reducing the impact of noise and artifacts. This involves combining novel geometric observations, derived from accumulated transmittance, with ORB features extracted from pixel data. Furthermore, to improve mapping quality, we propose an adaptive Gaussian expansion and regularization method that enables Gaussian primitives to represent the scene compactly. This is coupled with a viewpoint selection strategy based on the hybrid graph to mitigate over-fitting effects and enhance convergence quality. Finally, our approach achieves compact and high-quality scene representations and accurate localization. GSORB-SLAM has been evaluated on different datasets, demonstrating outstanding performance. The code will be available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google