EvTrajGS: 노출 정보가 없는 이벤트 스트림으로부터 정확하고 효율적인 3차원 가우시안 스플래팅

EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams

고해상도 시간 분해능, 높은 다이내믹 레인지 및 비동기 센싱 특성을 가진 이벤트 카메라는 정밀한 3차원 복원에 큰 잠재력을 보여줍니다. 기존의 오프더쉘 포즈 추정 기반 복원 방법은 높은 효율성을 제공하지만, 부정확한 포즈 초기화로 인해 누적되는 복원 오류를 야기하여 낮은 정확도를 보입니다. 반면, 최근의 SLAM 방식 방법들은 점진적인 추적 및 매핑을 통해 합동 포즈-장면 최적화를 안정화시켜 더 높은 복원 정확도를 제공하지만, 상당한 계산 오버헤드가 발생합니다. 이러한 trade-off를 해결하기 위해, 본 논문에서는 노출 정보가 없는 이벤트 스트림에 대한 정확하고 효율적인 3차원 가우시안 스플래팅 프레임워크인 EvTrajGS를 제시합니다. 저희 방법은 coarse 포즈 사전 정보를 기반으로 안정적인 합동 포즈-장면 최적화를 가능하게 하며, 계산 비용이 많이 드는 SLAM 방식 파이프라인의 필요성을 없앱니다. EvTrajGS는 카메라 움직임을 연속 시간 궤적으로 모델링하며, 이는 이산적인 카메라 포즈로부터 초기화됩니다. 이를 통해 포즈 정제를 위한 통합된 표현 방식을 제공합니다. 또한, 인접한 궤적 상태를 시간적으로 결합하여 합동 최적화를 수행하는 동안 시간적으로 일관성 있는 포즈 업데이트를 촉진합니다. 더불어, 시간적으로 충분히 복원되지 않은 구간을 적응적으로 강조하기 위해 손실 가중 이벤트 샘플링 전략을 도입했습니다. 합성 데이터 및 실제 데이터셋에 대한 광범위한 실험 결과는 EvTrajGS가 기하학적 복원 품질과 포즈 추정 정확도 측면에서 최첨단 방법보다 우수하며, 3.8 dB 더 높은 PSNR, 0.1 더 높은 SSIM 값을 달성하고 ATE RMSE를 40% 이상 줄이면서도 높은 계산 효율성을 유지한다는 것을 보여줍니다.

Event cameras, with high temporal resolution, high dynamic range, and asynchronous sensing characteristics, have shown great potential for dense 3D reconstruction. Traditional reconstruction methods based on off-the-shelf pose estimates achieve high efficiency but produce low-fidelity results, as inaccurate pose initialization introduces cumulative reconstruction errors. In contrast, recent SLAM-style methods stabilize joint pose-scene optimization through incremental tracking and mapping, yielding higher reconstruction fidelity at the expense of considerable computational overhead. To address this trade-off, this paper presents EvTrajGS, an accurate and efficient 3D Gaussian Splatting framework for unposed event streams. Our method enables reliable joint pose-scene optimization initialized from coarse pose priors, eliminating the need for computationally expensive SLAM-style pipelines. EvTrajGS parameterizes camera motion as a continuous-time trajectory initialized from discrete camera poses, providing a unified representation for pose refinement. We then aggregate adjacent trajectory states into a temporally coupled pose, promoting temporally consistent pose updates during joint optimization. Additionally, we introduce a loss-reweighted event sampling strategy to adaptively emphasize temporally under-reconstructed intervals. Extensive experiments on both synthetic and real-world datasets demonstrate that EvTrajGS outperforms state-of-the-art methods in terms of both geometric reconstruction quality and pose estimation accuracy, achieving 3.8 dB higher PSNR, 0.1 higher SSIM, and over 40\% lower ATE RMSE while retaining high computational efficiency.