日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3Dシーン理解arXiv:2505.08124

SLAG: スケーラブルな言語拡張ガウシアンスプラッティング

SLAG: Scalable Language-Augmented Gaussian Splatting

シェア:XThreadsFacebookLINEはてブBluesky

2D視覚言語モデルの特徴を3Dガウシアンシーンに統合し、損失関数不要の並列化可能な手法とベクトルデータベースで大規模シーンの言語埋め込みを高速化したマルチGPUフレームワーク。

詳しい要約

1. どんなもの?

- SLAGは、language-augmented Gaussian splattingのためのmulti-GPUフレームワーク - 大規模シーンへのlanguage embeddingの付与を高速化・スケール化することを目的とする - 2D visual-language modelの特徴をSAMとCLIPで3Dシーンに統合する - ロボティクス応用(search-and-rescue、smart cities、miningなど)を想定 - 限られた計算資源のロボットへの搭載も視野に入れる

2. 先行研究と比べてどこがすごい?

- 先行手法(OpenGaussianなど)はper-Gaussianのlanguage embeddingを計算するためにloss functionを必要とする - SLAGはloss functionを不要とし、3D Gaussian scene parametersからnormalized weighted averageでembeddingを導出する - これにより高度に並列化されたscene encodingが可能になる - 16-GPU構成でOpenGaussian比18倍のembedding計算高速化を達成 - 加えてvector databaseを導入し、embeddingの効率的な保存・検索を実現

3. 技術・手法の肝は?

- 2D visual-language modelの特徴をSAMとCLIPで抽出し3Dシーンに統合 - per-Gaussian language embeddingをloss functionで学習せず、3D Gaussian scene parametersからnormalized weighted averageで導出 - この導出によりmulti-GPUでの高度な並列化を実現 - embeddingの保存・検索用にvector databaseを導入 - 大規模シーンのencodingをスケールさせるmulti-GPUフレームワークとして設計

4. どうやって有効だと検証した?

- 16-GPU構成でOpenGaussianと比較し、embedding計算が18倍高速化することを実験で示す - ScanNetとLERFのデータセット上でembedding品質が保持されることを確認 - 詳細はプロジェクトサイト(https://slag-project.github.io/)で公開

5. 議論はある?

- 要旨からは不明 - ただし想定としてtime-sensitiveかつdata-intensiveな大規模ロボティクス応用と、限られた計算資源のロボット搭載という制約が動機として述べられている

6. 次に読むべき論文は?

- OpenGaussian(比較対象の先行手法) - SAM(Segment Anything Model) - CLIP - Gaussian Splatting - ScanNetおよびLERFのデータセット関連研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Laszlo Szilagyi, Francis Engelmann, Jeannette Bohg

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Language-augmented scene representations hold great promise for large-scale robotics applications such as search-and-rescue, smart cities, and mining. Many of these scenarios are time-sensitive, requiring rapid scene encoding while also being data-intensive, necessitating scalable solutions. Deploying these representations on robots with limited computational resources further adds to the challenge. To address this, we introduce SLAG, a multi-GPU framework for language-augmented Gaussian splatting that enhances the speed and scalability of embedding large scenes. Our method integrates 2D visual-language model features into 3D scenes using SAM and CLIP. Unlike prior approaches, SLAG eliminates the need for a loss function to compute per-Gaussian language embeddings. Instead, it derives embeddings from 3D Gaussian scene parameters via a normalized weighted average, enabling highly parallelized scene encoding. Additionally, we introduce a vector database for efficient embedding storage and retrieval. Our experiments show that SLAG achieves an 18 times speedup in embedding computation on a 16-GPU setup compared to OpenGaussian, while preserving embedding quality on the ScanNet and LERF datasets. For more details, visit our project website: https://slag-project.github.io/.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI