RGS-SLAM: SLAM Robusto basado en Gaussians Splatting con Inicialización Densa en una Única Pasada
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
Autores: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
Resumen
Presentamos RGS-SLAM, un marco de trabajo SLAM robusto basado en *splatting* gaussiano que reemplaza la etapa de densificación impulsada por residuos de GS-SLAM con una inicialización de correspondencia-a-Gaussiano que no requiere entrenamiento. En lugar de añadir progresivamente Gaussianos a medida que los residuos revelan geometría faltante, RGS-SLAM realiza una triangulación en una sola pasada de correspondencias densas multi-vista derivadas de descriptores DINOv3, refinadas mediante un clasificador de *inliers* consciente de la confianza. Esto genera una semilla Gaussiana bien distribuida y consciente de la estructura antes de la optimización. Esta inicialización estabiliza el mapeo temprano y acelera la convergencia en aproximadamente un 20%, logrando una mayor fidelidad de renderizado en escenarios ricos en textura y desordenados, manteniendo al mismo tiempo una compatibilidad total con las canalizaciones existentes de GS-SLAM. Evaluado en los conjuntos de datos TUM RGB-D y Replica, RGS-SLAM alcanza una precisión de localización y reconstrucción competitiva o superior en comparación con los sistemas SLAM de vanguardia basados en Gaussianos y puntos, manteniendo un rendimiento de mapeo en tiempo real de hasta 925 FPS.
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.