LingGS: 고정밀 가우시안 SLAM을 위한 피드포워드 기하 예측과 카메라 트래킹의 분리

원문 발행 2026. 10. 27. 17:51원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

본 논문은 단안 RGB 가우시안 스플래팅 SLAM의 정확도 문제를 해결하기 위한 온라인 시스템을 제안합니다. 학습된 기하학적 사전 지식과 명시적인 기하학 솔버를 결합하여 카메라 트래킹의 정확도를 획기적으로 높였습니다. 실험 결과, 기존 방식 대비 재구성 품질 향상 및 높은 처리량을 입증했습니다.

핵심 포인트

학습된 사전 지식과 명시적 기하학 솔버를 결합한 새로운 SLAM 시스템 제시
Frozen streaming 3D foundation model을 활용하여 깊이 추정 구현
기존 접근 방식 대비 재구성 품질 향상 및 2~3배의 처리량 달성
제안된 기법은 다양한 스트리밍 기하학 백본에 적용 가능함

단안(monocular) RGB 가우시안 스플래팅 (Gaussian splatting) SLAM에서 제한된 최적화 예산 하에 고품질 재구성 및 반응성 카메라 트래킹을 달성하는 것은 여전히 어려운 과제입니다. 우리는 학습된 기하학적 사전 지식(learned geometric priors)과 명시적인 기하학적 카메라 트래킹을 결합하여 이 문제를 해결하는 온라인 시스템을 제시하며, 이는 트래킹 정확도 면에서 학습된 카메라 예측보다 현저히 우수할 수 있습니다. 동결된 스트리밍 3D 파운데이션 모델(frozen streaming 3D foundation model)이 가상 RGB-D 센서 역할을 하여 단안 비디오로부터 깊이 추정(depth estimation)을 제공합니다. 이후 명시적 기하학 솔버(explicit geometric solver)가 특징점 재투영(feature reprojection)을 통해 카메라 움직임을 추정하고, 스트리밍 가우시안 매퍼(streaming Gaussian mapper)가 그 결과 관측값들을 밀집된 장면 표현(dense scene representation)으로 통합합니다. 또한 우리는 기하학적 트래킹이 대표적인 스트리밍 기하학 백본(streaming geometry backbones) 전반에 걸쳐 카메라 자세 정확도(camera pose accuracy)를 향상시키며, 이는 저희 접근 방식의 광범위한 적용 가능성을 입증함을 보여줍니다. 실내 및 실외 데이터셋에 대한 광범위한 실험 결과, 저희 방법이 기존 접근 방식보다 재구성 품질을 크게 향상시키며, 단일 RTX 4090에서 약 7 FPS를 달성하고 평가된 사전 SLAM 시스템 대비 2~3배의 처리량(throughput)을 제공함을 보여줍니다.

AI 자동 생성 콘텐츠

원문 바로가기

LingGS: 고정밀 가우시안 SLAM을 위한 피드포워드 기하 예측과 카메라 트래킹의 분리

요약

핵심 포인트

댓글