要約: 最近の3D Gaussian Splatting (3DGS) 手法は、自動運転シーンの再構成と新規ビュー合成の実現性を示しています。しかし、既存のほとんどの手法はカメラのみに依存するか、Gaussian の初期化または深度監視に LiDAR を用いるだけで、反射率など点群に含まれる豊富なシーン情報や LiDAR と RGB の補完性は十分に活用されておらず、自己運動が大きい、または複雑な照明を伴う難しい自動運転シーンで劣化が生じていました。これらの問題に対処するため、私たちは自動運転シーン向けの頑健で効率的な LiDAR 反射率ガイド付き顕著ガウススプラッティング法（LR-SGS）を提案します。これは構造認識型の顕著ガウス表現を導入し、LiDAR から抽出した幾何的特徴点および反射率特徴点から初期化され、顕著性変換と密度制御の改善を通じてエッジと平面構造を捉えるよう精緻化されます。さらに、LiDAR の強度を反射率へ校正し、各 Gaussian に照明不変のマテリアルチャネルとして付与し、RGB と共同で境界の一貫性を強制します。Waymo Open Dataset での広範な実験は、LR-SGS がより少ないガウスと短い学習時間で優れた再構成性能を達成することを示しています。特に Complex Lighting シーンでは、我々の手法は OmniRe を PSNR で 1.18 dB 上回ります。
LR-SGS: 自動運転シーン再構築のための頑健な LiDAR・反射率ガイド付き顕著ガウシアン・スプラッティング
arXiv cs.AI / 2026/3/16
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- LR-SGS は、LiDAR の幾何情報、反射率、RGB を協調的に活用して、より良い自動運転シーン再構築を実現する頑健な LiDAR・反射率ガイド付き顕著ガウシアン・スプラッティングのフレームワークを提案します。
- LiDAR および反射率ベースの特徴点から初期化され、構造認識を考慮した顕著ガウシアン表現を導入し、顕著変換と改良された密度制御によってエッジと平面をより正確に捉えられるように洗練されます。
- この手法は LiDAR 強度を反射率のようなマテリアルチャネルに変換し、各ガウシアンに付与して RGB と整合させることで、境界の一貫性と照明不変性を強制します。
- Waymo Open Dataset を用いた実験で、LR-SGS は少数のガウシアンで優れた再構築性能を達成し、トレーニング時間を短縮します。複雑な照明シーンにおいて OmniRe を PSNR 1.18 dB 上回ります。
- 本研究は、自動運転向けのより効率的で頑健なニューラルレンダリングを示唆しており、知覚、マッピング、下流の計画に対して潜在的な影響を与えると期待されます。
