Splat-SLAM: Globally Optimized RGB-only SLAM with 3D Gaussians

3D高斯散点成像已成为RGB密集同时定位和映射(SLAM)的强大几何和外观表示，因为它提供了紧凑的密集地图表示，同时实现了高效和高质量的地图渲染。然而，现有方法的重建质量明显低于使用其他3D表示方法的竞争方法，例如神经点云，因为它们要么不使用全局地图和姿态优化，要么利用单ocular深度。为此，我们提出了第一个仅使用RGB的SLAM系统，它具有密集的3D高斯地图表示，通过动态地适应关键帧姿态和深度更新来利用全局优化跟踪的所有优势，通过主动变形3D高斯地图。此外，我们发现使用单ocular深度估计器在不准确的区域中优化深度更新可以进一步提高3D重建的准确性。我们在Replica，TUM-RGBD和ScanNet数据集上的实验表明，全局优化的3D高斯方法的有效性，因为该方法在跟踪、映射和渲染准确性方面实现了优越或与现有的RGB-only SLAM方法相当的性能，同时产生了小的地图大小和快速运行时间。源代码可在https://github.com/eriksandstroem/Splat-SLAM上获得。

本论文旨在提出一种新的RGB-only SLAM系统，利用全局优化跟踪和动态调整3D高斯地图表示，提高重建质量和准确性。

本论文提出了一种基于全局优化的RGB-only SLAM系统，使用动态调整的3D高斯地图表示，并结合单目深度估计进行深度更新，从而提高重建准确性和质量。

论文在Replica、TUM-RGBD和ScanNet数据集上进行了实验，结果表明该方法在跟踪、映射和渲染精度方面与现有RGB-only SLAM方法相当，同时具有较小的地图尺寸和快速运行时间。此外，作者还开源了代码。

在这个领域中，最近的相关研究包括“Neural SLAM: Learning to Explore with External Memory”、“VSO: Visual Semantic Odometry for Ground and Aerial Robots”等。