Structured-Li-GS：LiDAR統合と空間制約を備えた構造化3Dガウシアンスプラッティング
本研究では、LiDAR-慣性-視覚SLAMを活用した軽量なガウシアンスプラッティングフレームワーク「Structured-Li-GS」を提案する。高精度で密な色付き点群で学習し、少ないガウシアン原器で高品質な3D再構築を実現。ガウシアンの高密度化を必要とせず、複数の損失関数で学習を誘導する。ベンチマークおよび自社データセットでの実験により、最先端手法を凌駕する性能を示した。
3次元再構成の分野では、センサーデータからシーンの形状と外観を効率的かつ高品質に復元することが長年の課題である。最近、中国の研究チームがarXivに投稿した論文「Structured-Li-GS: Structured 3D Gaussians Splatting with LiDAR Incorporation and Spatial Constraints」において、LiDAR（光検出と測距）データと3Dガウシアンスプラッティング（3DGS）技術を革新的に融合した新しいフレームワーク「Structured-Li-GS」を提案した。本研究成果は2026年のISPRS会議で採択され、2026年6月25日にプレプリントが公開された。
Structured-Li-GSの核となるアイデアは、LiDAR-慣性-視覚SLAMシステムから得られる正確で密な色付き点群を活用してガウシアンスプラッティングを誘導することである。従来の3DGS手法とは異なり、Structured-Li-GSはガウシアン原器をランダムに初期化するのではなく、点群をサブサンプリングして原器をアンカーし、局所的な表面形状（法線や曲率など）から楕円体パラメータ（位置、共分散、不透明度）を初期化する。この構造化された初期化手法により、必要なガウシアン原器の数が大幅に削減され、モデルの複雑さが低減される。
学習段階では、Structured-Li-GSは包括的な損失関数戦略を採用する。これには、光度損失（レンダリング画像と実画像の差異）、平坦化損失（ガウシアン原器を表面に沿わせる）、オフセット損失（ガウシアン中心を表面近くに制約）、深度損失（LiDAR深度情報を活用）、法線損失（ガウシアン法線を表面法線に一致させる）が含まれる。これらの損失を組み合わせて最適化することで、ガウシアンの高密度化を行うことなく高品質な再構成を実現し、実スケールで高忠実度な結果を生成する。モデルサイズも適度である。
実験検証のため、研究チームはハードウェア同期されたLiDARカメラハンドヘルドスキャナを自作し、実世界の屋内・屋外シーンデータを収集した。複数の公開ベンチマークデータセットと自社データセットでの実験結果は、Structured-Li-GSが再構成品質（PSNR、SSIM、LPIPSなどの指標）において現在の最先端手法を凌駕し、かつより少ないガウシアン原器でこれを達成することを示している。この成果は、自動運転、ロボットナビゲーション、拡張現実などのリアルタイムまたは準リアルタイムの3次元再構成アプリケーションに新たな可能性を開くものである。