ES-Gaussian: Gaussian Splatting Mapping via Error Space-Based Gaussian Completion

要約

ロボットの効果的なナビゲーションとインタラクションには、正確かつ手頃な価格の屋内 3D 再構成が不可欠です。
従来の LiDAR ベースのマッピングは高精度を提供しますが、コストが高く、重く、電力を大量に消費し、新しいビューのレンダリングの能力が限られています。
ビジョンベースのマッピングは、費用対効果が高く、視覚データをキャプチャできますが、点群がまばらなため、高品質の 3D 再構成に苦労することがよくあります。
私たちは、高品質な屋内 3D 再構築のための低高度カメラとシングルライン LiDAR を使用するエンドツーエンド システムである ES-Gaussian を提案します。
当社のシステムは、2D エラー マップから幾何学的詳細が不十分な領域を特定して修正することで、まばらな点群を強化する Visual Error Construction (VEC) を備えています。
さらに、シングルライン LiDAR によってガイドされる新しい 3DGS 初期化方法を導入し、従来のマルチビュー設定の制限を克服し、リソースに制約のある環境で効果的な再構築を可能にします。
新しい Dreame-SR データセットと一般公開されているデータセットに関する広範な実験結果は、特に困難なシナリオにおいて、ES-Gaussian が既存の手法よりも優れていることを示しています。
プロジェクト ページは https://chenlu-china.github.io/ES-Gaussian/ から入手できます。

要約(オリジナル)

Accurate and affordable indoor 3D reconstruction is critical for effective robot navigation and interaction. Traditional LiDAR-based mapping provides high precision but is costly, heavy, and power-intensive, with limited ability for novel view rendering. Vision-based mapping, while cost-effective and capable of capturing visual data, often struggles with high-quality 3D reconstruction due to sparse point clouds. We propose ES-Gaussian, an end-to-end system using a low-altitude camera and single-line LiDAR for high-quality 3D indoor reconstruction. Our system features Visual Error Construction (VEC) to enhance sparse point clouds by identifying and correcting areas with insufficient geometric detail from 2D error maps. Additionally, we introduce a novel 3DGS initialization method guided by single-line LiDAR, overcoming the limitations of traditional multi-view setups and enabling effective reconstruction in resource-constrained environments. Extensive experimental results on our new Dreame-SR dataset and a publicly available dataset demonstrate that ES-Gaussian outperforms existing methods, particularly in challenging scenarios. The project page is available at https://chenlu-china.github.io/ES-Gaussian/.

arxiv情報

著者 Lu Chen,Yingfu Zeng,Haoang Li,Zhitao Deng,Jiafu Yan,Zhenjun Zhao
発行日 2024-10-30 10:21:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク