RGS-SLAM: Robuste Gauß'sche Splatting-SLAM mit One-Shot-Dichteinitialisierung
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
papers.authors: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
papers.abstract
Wir stellen RGS-SLAM vor, einen robusten Gauß-Splatting-SLAM-Rahmen, der die residuengetriebene Verdichtungsstufe von GS-SLAM durch eine trainierungsfreie Korrespondenz-zu-Gauß-Initialisierung ersetzt. Anstatt schrittweise Gauß-Kerne hinzuzufügen, wenn Residuen fehlende Geometrie aufdecken, führt RGS-SLAM eine Einmal-Triangulation dichter Mehrbild-Korrespondenzen durch, die aus DINOv3-Deskriptoren abgeleitet und durch einen konfidenzbewussten Inlier-Klassifikator verfeinert werden. Dies erzeugt eine gut verteilte und struktur-sensitive Gauß-Kern-Vorabbelegung vor der Optimierung. Diese Initialisierung stabilisiert die frühe Kartenerstellung und beschleunigt die Konvergenz um etwa 20 %, was eine höhere Wiedergabetreue in texturreichen und unübersichtlichen Szenen ermöglicht, bei vollständiger Kompatibilität mit bestehenden GS-SLAM-Pipelines. Auswertungen auf den TUM RGB-D- und Replica-Datensätzen zeigen, dass RGS-SLAM eine vergleichbare oder überlegene Lokalisierungs- und Rekonstruktionsgenauigkeit gegenüber modernen Gauß- und punktbasierten SLAM-Systemen erreicht und dabei Echtzeit-Kartenerstellung mit bis zu 925 FPS beibehält.
English
We introduce RGS-SLAM, a robust Gaussian-splatting SLAM framework that replaces the residual-driven densification stage of GS-SLAM with a training-free correspondence-to-Gaussian initialization. Instead of progressively adding Gaussians as residuals reveal missing geometry, RGS-SLAM performs a one-shot triangulation of dense multi-view correspondences derived from DINOv3 descriptors refined through a confidence-aware inlier classifier, generating a well-distributed and structure-aware Gaussian seed prior to optimization. This initialization stabilizes early mapping and accelerates convergence by roughly 20\%, yielding higher rendering fidelity in texture-rich and cluttered scenes while remaining fully compatible with existing GS-SLAM pipelines. Evaluated on the TUM RGB-D and Replica datasets, RGS-SLAM achieves competitive or superior localization and reconstruction accuracy compared with state-of-the-art Gaussian and point-based SLAM systems, sustaining real-time mapping performance at up to 925 FPS.