NEDS-SLAM：一种新颖的神经显式稠密语义 SLAM 框架，使用 3D 高斯光滑插值
内容提要
本文介绍了 GS-SLAM 算法，首次在 SLAM 系统中应用 3D 高斯表示，提升了效率与准确性。该方法通过自适应扩张策略重构场景几何并优化相机姿态，在 Replica 和 TUM-RGBD 数据集上表现出竞争力。SemGauss-SLAM 系统结合语义特征，实现实时精确的 3D 语义地图构建和鲁棒的相机跟踪，展现出优越性能。
延伸解读
3D高斯表示在SLAM中的优势
文章指出，GS-SLAM首次将3D高斯表示应用于SLAM系统，与神经隐式表示相比，其采用实时可微分渲染流水线，显著加速了地图优化和RGB-D重渲染。这种表示方法在效率和准确性之间取得了更好平衡，为SLAM提供了一种新的场景表示思路。
自适应扩张策略的作用
GS-SLAM提出自适应扩张策略，通过添加新的或删除噪声3D高斯来重构新观测场景并改善已观测区域建图。该策略对于将3D高斯表示扩展到重建整个场景至关重要，而不仅限于合成静态物体，从而支持更完整的场景重建。
语义SLAM的进展：SemGauss-SLAM
SemGauss-SLAM是第一个利用3D高斯表示的语义SLAM系统，将语义特征嵌入3D高斯表示，并引入特征级损失和语义感知束调整，实现实时精确的3D语义地图构建和鲁棒相机跟踪。在Replica和ScanNet数据集上，其地图构建和相机跟踪准确性优于现有密集语义SLAM方法。
实验性能与影响
GS-SLAM在Replica和TUM-RGBD数据集上表现出与现有实时方法竞争的性能，而SemGauss-SLAM在Replica和ScanNet上展现出更好的地图构建和相机跟踪准确性。这些结果表明3D高斯表示在SLAM中具有潜力，为后续研究提供了新方向。
Q&A
GS-SLAM 算法的主要创新是什么？
GS-SLAM 算法首次在 SLAM 系统中应用了 3D 高斯表示，提升了效率与准确性。
SemGauss-SLAM 系统如何提高 3D 语义地图的构建精度？
SemGauss-SLAM 系统通过引入语义感知束调整，利用语义关联进行 3D 高斯表示和相机位姿的联合优化，从而减小累积漂移并提高重建精度。
GS-SLAM 在数据集上的表现如何？
GS-SLAM 在 Replica 和 TUM-RGBD 数据集上表现出竞争力的性能。
自适应扩张策略在 GS-SLAM 中的作用是什么？
自适应扩张策略通过添加新的或删除噪音 3D 高斯，有效重构新观测到的场景几何并改善先前观测区域的建图。
SemGauss-SLAM 如何实现实时精确的 3D 语义地图构建？
SemGauss-SLAM 结合语义特征嵌入 3D 高斯表示，有效编码环境的空间布局以获得精确的语义场景表示。
GS-SLAM 和现有 SLAM 方法相比有什么优势？
GS-SLAM 采用实时可微分雀斑光照渲染流水线，大大加速了地图优化和 RGB-D 重渲染，提升了效率。
