SLAM2026/4/1arXiv:2604.06830

VGGT-SLAM++：高頻度局所最適化による高精度ビジュアルSLAM

VGGT-SLAM++

VGGTトランスフォーマーとDEMベースのグラフ構築を組み合わせ、高頻度の局所バンドル調整を復活させることで、ドリフトを低減し大規模マッピングを高精度化するビジュアルSLAMシステムを提案した。

詳しい要約

1. どんなもの？

- VGGT-SLAM++ は Visual Geometry Grounded Transformer (VGGT) の幾何出力を活用した完全な visual SLAM システム。 - 構成要素は、VGGT feed-forward transformer と Sim(3) 解を融合する visual odometry (front-end)、Digital Elevation Map (DEM) ベースの graph construction module、back-end。 - 大規模マッピングを bounded memory で高精度に行うことを目指す。

2. 先行研究と比べてどこがすごい？

- 先行の transformer ベース SLAM である VGGT-SLAM は sparse loop closures や global Sim(3) manifold constraints に主に依存し、short-horizon pose drift を許容していた。 - VGGT-SLAM++ は spatially corrective back-end により high-cadence local bundle adjustment (LBA) を復活させ、短期ドリフトを大幅に低減。 - 標準 SLAM ベンチマークで state-of-the-art 精度、graph convergence の加速、global consistency の維持を実現。

3. 技術・手法の肝は？

- 各 VGGT submap について dense planar-canonical DEM を構築し、patch に分割。 - 各 patch の DINOv2 embeddings を計算し、submap を covisibility graph に統合。 - covisibility window 内で Visual Place Recognition (VPR) module を用いて spatial neighbors を検索し、頻繁な local optimization をトリガーして軌跡を安定化。 - compact DEM tiles と sublinear retrieval により bounded memory を実現。

4. どうやって有効だと検証した？

- 標準 SLAM ベンチマークで評価。 - VGGT-SLAM++ が state-of-the-art 精度を達成し、短期ドリフトの大幅低減、graph convergence の加速、global consistency の維持を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- VGGT-SLAM (先行 transformer ベース SLAM) - Visual Geometry Grounded Transformer (VGGT) - DINOv2 - Visual Place Recognition (VPR) 関連手法

※ 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: Avilasha Mandal, Rajesh Kumar, Sudarshan Sunil Harithas, Chetan Arora

分類: cs.CV, cs.RO

原文アブストラクト

We introduce VGGT-SLAM++, a complete visual SLAM system that leverages the geometry-rich outputs of the Visual Geometry Grounded Transformer (VGGT). The system comprises a visual odometry (front-end) fusing the VGGT feed-forward transformer and a Sim(3) solution, a Digital Elevation Map (DEM)-based graph construction module, and a back-end that jointly enable accurate large-scale mapping with bounded memory. While prior transformer-based SLAM pipelines such as VGGT-SLAM rely primarily on sparse loop closures or global Sim(3) manifold constraints - allowing short-horizon pose drift - VGGT-SLAM++ restores high-cadence local bundle adjustment (LBA) through a spatially corrective back-end. For each VGGT submap, we construct a dense planar-canonical DEM, partition it into patches, and compute their DINOv2 embeddings to integrate the submap into a covisibility graph. Spatial neighbors are retrieved using a Visual Place Recognition (VPR) module within the covisibility window, triggering frequent local optimization that stabilizes trajectories. Across standard SLAM benchmarks, VGGT-SLAM++ achieves state-of-the-art accuracy, substantially reducing short-term drift, accelerating graph convergence, and maintaining global consistency with compact DEM tiles and sublinear retrieval.

arXivで原文を読む →arXiv概要ページ

VGGT-SLAM++：高頻度局所最適化による高精度ビジュアルSLAM

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？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell