SGS-SLAM: Semantic Gaussian Splatting For Neural Dense SLAM

语义理解在密集同时定位与建图（SLAM）中扮演着至关重要的角色。近期将高斯喷洒技术集成到SLAM系统中的进展已经证明了它在生成高质量渲染方面的有效性。在此基础上，我们提出了SGS-SLAM，它在高保真重建的同时提供精确的三维语义分割。具体来说，我们建议在映射过程中采用多通道优化，将外观、几何和语义约束与关键帧优化相结合，以增强重建质量。广泛的实验表明，SGS-SLAM在相机姿态估计、地图重建和语义分割方面具有最先进的性能。它不仅优于现有方法，而且还保持了实时渲染的能力。

本论文旨在提出一种新的Dense SLAM方法，即SGS-SLAM，以实现高精度的三维语义分割和高保真重建。

本论文的关键思路是在映射过程中采用多通道优化，将外观、几何和语义约束与关键帧优化相结合，以提高重建质量。

SGS-SLAM在相机姿态估计、地图重建和语义分割方面具有最先进的性能，同时保持实时渲染能力。论文使用了多个数据集进行实验，并展示了其优越的性能。

在这个领域中，最近的一些相关研究包括："SemanticFusion: Dense 3D Semantic Mapping with Convolutional Neural Networks"，"Semantic Visual Localization"和"3D Semantic Segmentation with Submanifold Sparse Convolutional Networks"。