概要：本稿では、分散型マルチエージェント3D再構成のための分散フェデレーテッド3Dガウス・スパッティング（F3DGS）フレームワークを提案します。既存の3DGSパイプラインは、すべての観測への集中型アクセスを前提としているため、エージェントが独立に動作し、かつ集中型データ集約が制限され得る分散ロボティクス環境での適用が難しくなります。集中型学習をマルチエージェントシステムへ直接拡張すると、通信オーバーヘッドが増大し、幾何学的な不整合が生じます。F3DGSはまず、複数のクライアントからローカルに統合したLiDAR点群を登録することで、グローバルな3DGSモデルを初期化し、共有の幾何学的足場を構築します。フェデレーテッド最適化の際、ガウス位置は幾何学的整合性を保つために固定し、各クライアントは共分散、透過率（opacity）、球面調和係数（spherical harmonic coefficients）などの外観に関する属性のみを更新します。サーバは、各クライアントが観測した頻度に基づいて各ガウスの寄与を重み付けする、可視性を考慮した集約によりこれらの更新を統合します。これにより、マルチエージェント探索に固有の部分観測問題を解決します。分散型再構成を評価するために、同期されたLiDAR、RGB、IMU計測からなるマルチシーケンスの屋内データセットを収集します。実験の結果、F3DGSは集中型学習と同等の再構成品質を達成しつつ、エージェント間で分散最適化を可能にすることが示されました。データセット、開発キット、およびソースコードは公開予定です。
F3DGS：分散型マルチエージェントのための分散3Dガウススプラッティング（Federated 3D Gaussian Splatting）によるワールドモデリング
arXiv cs.CV / 2026/4/3
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、F3DGSという分散型アプローチを提案する。これは、中央集約によるデータ統合が不可能、または現実的でない状況における、分散型マルチエージェントの3D再構成のための3Dガウススプラッティングである。
- F3DGSは、ローカルで統合したLiDAR点群を登録してグローバルな3DGSモデルを初期化することで、共有された幾何学的スキャフォールド（足場）を構築し、その後、ガウスの位置を固定して幾何学的整合性をエージェント間で維持しながら、連合最適化（federated optimization）を行う。
- 学習中、各クライアントは見え方に関するパラメータ（例：共分散、透明度（opacity）、球面調和係数）だけを更新する。これにより通信オーバーヘッドを削減し、幾何学的不整合の問題を緩和する。
- サーバは、各クライアントが各ガウスをどれくらいの頻度で観測したかに基づく可視性を考慮した重み付けにより、クライアントの更新を集約する。これは、分散探索で一般的に生じる部分観測に対処する。
- 著者らは、同期されたLiDAR/RGB/IMUを用いた新たに収集したマルチシーケンスの屋内データセットで提案手法を評価し、中央集約型学習と同等の再構成品質を報告している。また、データセット、開発キット、コードの公開を計画している。
