MotionGS : Compact Gaussian Splatting SLAM by Motion Filter

由于其高保真度的场景表示能力，神经辐射场（NeRF）和3D高斯喷洒（3DGS）已深深吸引了SLAM领域的关注。最近，基于NeRF的SLAM出现了激增，而基于3DGS的SLAM则很少。本文提出了一种新颖的基于3DGS的SLAM方法，该方法融合了深度视觉特征、双关键帧选择和3DGS。与现有方法相比，所提出的选择性跟踪是通过对每一帧进行特征提取和运动滤波来实现的。姿态和3D高斯的联合优化贯穿整个映射过程。此外，通过双关键特征选择和新的损失函数实现了粗到细的姿态估计和紧凑的高斯场景表示。实验结果表明，所提出的算法不仅在跟踪和映射方面优于现有方法，而且内存使用更少。

本论文旨在提出一种基于3D高斯喷洒和深度视觉特征融合的SLAM方法，解决SLAM领域中3D高斯喷洒方法稀疏的问题。

论文提出了一种新的SLAM方法，通过特征提取和运动滤波在每一帧上实现有选择性的跟踪，通过关键帧选择和新的损失函数实现粗到细的位姿估计和紧凑的高斯场景表示，同时通过联合优化位姿和3D高斯喷洒来完成整个建图过程。

论文的实验结果表明，所提出的算法不仅在跟踪和建图方面优于现有方法，而且内存使用更少。此外，论文还使用了多个数据集进行实验，并比较了不同方法的性能。

最近的相关研究包括基于NeRF的SLAM方法，如NeRF-SLAM和NeRF++，以及其他基于3D高斯喷洒的SLAM方法，如GaussFusion和Gauss-Newton-SAM。