WildGS-SLAM: Monokulare Gaussian Splatting SLAM in dynamischen Umgebungen

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

Autoren: Jianhao Zheng, Zihan Zhu, Valentin Bieri, Marc Pollefeys, Songyou Peng, Iro Armeni

cs.AI

Zusammenfassung

Wir präsentieren WildGS-SLAM, ein robustes und effizientes monokulares RGB-SLAM-System, das für den Umgang mit dynamischen Umgebungen entwickelt wurde, indem es unsicherheitsbewusstes geometrisches Mapping nutzt. Im Gegensatz zu traditionellen SLAM-Systemen, die von statischen Szenen ausgehen, integriert unser Ansatz Tiefen- und Unsicherheitsinformationen, um die Tracking-, Mapping- und Rendering-Leistung in Gegenwart von beweglichen Objekten zu verbessern. Wir führen eine Unsicherheitskarte ein, die von einem flachen Multi-Layer-Perzeptron und DINOv2-Features vorhergesagt wird, um die Entfernung dynamischer Objekte sowohl während des Trackings als auch des Mappings zu steuern. Diese Unsicherheitskarte verbessert die dichte Bündeljustierung und die Optimierung der Gaußschen Karte, was die Rekonstruktionsgenauigkeit erhöht. Unser System wird auf mehreren Datensätzen evaluiert und zeigt eine artefaktfreie Viewsynthese. Die Ergebnisse demonstrieren die überlegene Leistung von WildGS-SLAM in dynamischen Umgebungen im Vergleich zu state-of-the-art Methoden.

English

We present WildGS-SLAM, a robust and efficient monocular RGB SLAM system designed to handle dynamic environments by leveraging uncertainty-aware geometric mapping. Unlike traditional SLAM systems, which assume static scenes, our approach integrates depth and uncertainty information to enhance tracking, mapping, and rendering performance in the presence of moving objects. We introduce an uncertainty map, predicted by a shallow multi-layer perceptron and DINOv2 features, to guide dynamic object removal during both tracking and mapping. This uncertainty map enhances dense bundle adjustment and Gaussian map optimization, improving reconstruction accuracy. Our system is evaluated on multiple datasets and demonstrates artifact-free view synthesis. Results showcase WildGS-SLAM's superior performance in dynamic environments compared to state-of-the-art methods.