PROFusion: カメラ姿勢回帰と最適化によるロバストで高精度な密な再構成
PROFusion: Robust and Accurate Dense Reconstruction via Camera Pose Regression and Optimization
カメラ姿勢回帰ネットワークで初期値を予測し、ランダム化最適化で深度画像を幾何学的に整合させることで、不安定なカメラ動作でもリアルタイムに高精度な密なシーン再構成を実現した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Siyan Dong, Zijun Wang, Lulu Cai, Yi Ma, Yanchao Yang
分類: cs.RO, cs.CV
原文アブストラクト
Real-time dense scene reconstruction during unstable camera motions is crucial for robotics, yet current RGB-D SLAM systems fail when cameras experience large viewpoint changes, fast motions, or sudden shaking. Classical optimization-based methods deliver high accuracy but fail with poor initialization during large motions, while learning-based approaches provide robustness but lack sufficient accuracy for dense reconstruction. We address this challenge through a combination of learning-based initialization with optimization-based refinement. Our method employs a camera pose regression network to predict metric-aware relative poses from consecutive RGB-D frames, which serve as reliable starting points for a randomized optimization algorithm that further aligns depth images with the scene geometry. Extensive experiments demonstrate promising results: our approach outperforms the best competitor on challenging benchmarks, while maintaining comparable accuracy on stable motion sequences. The system operates in real-time, showcasing that combining simple and principled techniques can achieve both robustness for unstable motions and accuracy for dense reconstruction. Code released: https://github.com/siyandong/PROFusion.
関連論文
- GeoGS-SLAM: 幾何学的事前情報を用いたガウススプラッティングによるオンライン単眼再構成SLAM/3D再構成
- ν-DBA: ニューラル陰的密バンドル調整による画像のみの走行シーン再構成SLAM/3D再構成
- LIV-GaussMap: LiDAR・慣性・視覚融合によるリアルタイム3D放射輝度場マップレンダリングSLAM/3D再構成
- SIM-Sync: 3D類似変換群上の証明可能最適同期から学習深度によるシーン再構成へSLAM/3D再構成
- SimpleMapping: 深層多視点ステレオによるリアルタイム視覚慣性高密度マッピングSLAM/3D再構成
- TANDEM: 深層マルチビューステレオによるリアルタイム追跡と高密度マッピングSLAM/3D再構成
