GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting

本文介绍了$\textbf{GS-SLAM}$，它首先在同时定位和地图构建（SLAM）系统中利用了3D高斯表示法。它有助于更好地平衡效率和精度。与最近采用神经隐式表示的SLAM方法相比，我们的方法利用实时可微分的喷洒渲染管道，为地图优化和RGB-D重新渲染提供了显著的加速。具体而言，我们提出了一种自适应扩展策略，通过添加新的或删除噪声的3D高斯，以有效地重建新观察到的场景几何形状并改善先前观察到的区域的映射。这种策略对于将3D高斯表示扩展到重建整个场景而不是在现有方法中合成静态物体至关重要。此外，在姿态跟踪过程中，我们设计了一种有效的粗到细技术，以选择可靠的3D高斯表示来优化相机姿态，从而减少运行时间并获得强韧的估计。我们的方法在Replica和TUM-RGBD数据集上实现了与现有最先进的实时方法相竞争的性能。源代码即将发布。

本文旨在介绍一种新的SLAM方法——GS-SLAM，使用3D高斯表示法实现更好的效率和准确性平衡。该方法与最近采用神经隐式表示的SLAM方法相比，利用实时可微分喷洒渲染管道，提供了显著的地图优化和RGB-D重新渲染速度提升。

本文提出了一种自适应扩展策略，通过添加新的或删除噪声3D高斯来有效重构新观察到的场景几何形状，并改善先前观察到的区域的映射。此策略对于将3D高斯表示扩展到重构整个场景而不是在现有方法中合成静态对象至关重要。此外，在姿态跟踪过程中，设计了一种有效的粗到细技术，以选择可靠的3D高斯表示来优化相机姿态，从而减少运行时间并实现稳健估计。

本文方法在Replica、TUM-RGBD数据集上实现了与现有最先进实时方法相比具有竞争力的性能。作者将在不久的将来发布源代码。

最近在这个领域中，还有一些相关研究，如NeRF、DPSNet、AtlasNet等。