通过连续语义溅写建模3D高斯溅写中的不确定性
机器人学
2024-11-06 v1 计算机视觉与模式识别
摘要
本文提出了一种用于在3D高斯溅写(3D-GS)中更新和光栅化语义地图的新算法。虽然先前方法已引入用于增强场景理解的学习光栅化特征的算法，但3D-GS在无警告的情况下会失败，这为以afety-critical机器人应用带来了挑战。为解决这一问题，我们提出的方法推动了从体素到椭体的连续语义映射文献，结合了3D-GS的精确结构与概率机器人地图定量不确定性的能力。给定一个图像集合，我们的算法直接对3D椭体执行概率语义更新，以获得期望值和方差，通过共轭先验的使用。我们还提出了概率光栅化方法，返回具有可量化不确定性的每个像素分割预测。我们与类似的基于体素的概率方法进行比较，以验证对3D椭体的扩展，并对不确定性定量和时间平滑进行消融研究。
引用
@article{arxiv.2411.02547,
title = {Modeling Uncertainty in 3D Gaussian Splatting through Continuous Semantic Splatting},
author = {Joey Wilson and Marcelino Almeida and Min Sun and Sachit Mahajan and Maani Ghaffari and Parker Ewen and Omid Ghasemalizadeh and Cheng-Hao Kuo and Arnie Sen},
journal= {arXiv preprint arXiv:2411.02547},
year = {2024}
}