SGS-SLAM：面向神经稠密 SLAM 的语义高斯投影
内容提要
本文介绍GS-SLAM等基于3D高斯表示的SLAM算法，首次将3D高斯用于同时定位与建图，通过可微分渲染、自适应扩张策略和由粗到细位姿跟踪，兼顾效率与精度。SplaTAM、GO-SLAM等实现高质量实时稠密重建，在Replica、TUM-RGBD等数据集上达到领先水平。
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高斯表示用于SLAM，相比神经隐式表示，其可微分渲染流水线能加速地图优化和RGB-D重渲染。这种表示通过自适应扩张策略添加或删除高斯，有效重建新观测区域并改善旧区域建图，从而在效率和准确性之间取得更好平衡。
位姿跟踪的由粗到细策略
GS-SLAM在位姿跟踪中采用由粗到细的技术，选择可靠的3D高斯表示来优化相机姿态。这减少了运行时间并实现强健估计。类似地，SplaTAM通过直接优化3D高斯进行相机跟踪，并引入几何验证和正则化处理增量重建中的模糊性，提升了跟踪鲁棒性。
相关工作的多样化发展
除GS-SLAM外，SplaTAM、GO-SLAM、DNS SLAM等也推动了稠密SLAM发展。SplaTAM在相机定位、建图和新视图合成上性能达现有方法2倍；GO-SLAM通过全局优化和闭环检测支持单目、立体和RGB-D输入；DNS SLAM融合2D语义先验实现类别级场景表示。这些工作在不同方向提升了SLAM的鲁棒性和重建质量。
Q&A
GS-SLAM 是什么？它有什么特别之处？
GS-SLAM 是一种在同时定位与地图构建（SLAM）系统中首次使用 3D 高斯表示方法的算法，实现了效率和准确性之间的更好平衡。
GS-SLAM 如何加速地图优化和渲染？
GS-SLAM 采用了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。
GS-SLAM 中的自适应扩张策略有什么作用？
自适应扩张策略通过添加新的或删除噪音 3D 高斯来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，这对于将 3D 高斯表示扩展到重建整个场景至关重要。
GS-SLAM 在位姿跟踪方面采用了什么技术？
GS-SLAM 设计了一种有效的从粗到细的技术，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强健的估计。
GS-SLAM 在哪些数据集上进行了评估？性能如何？
GS-SLAM 在 Replica 和 TUM-RGBD 数据集上与现有的最新实时方法具有竞争力的性能。
SplaTAM 是什么？它有什么创新？
SplaTAM 是一种使用 3D 高斯模型表示场景的稠密 SLAM 方法，首次展示了用单个未对齐的单目 RGB-D 相机实现稠密 SLAM。它解决了基于辐射场的先前表示的限制，包括快速渲染和优化、确定区域是否已被映射以及通过添加更多高斯模型进行结构化地图扩展。
GO-SLAM 的主要特点是什么？
GO-SLAM 是一种基于深度学习的稠密视觉 SLAM 框架，通过全局优化姿态和三维重建实时改进相机跟踪和重构方面的错误累积问题，并通过有效的闭环检测和在线全捆绑调整支持鲁棒的姿态估计和实时三维重建，可配合单目、立体和 RGB-D 输入工作。
DNS SLAM 方法有什么特点？
DNS SLAM 是一种新型的神经 RGB-D 语义 SLAM 方法，通过融合 2D 语义先验和多视角几何约束，可以在保持稳定相机跟踪的同时，训练类别级别的场景表示，实现颜色、密度和语义类别信息的输出，并在合成数据和实际数据跟踪中取得了最先进的性能。
