WildGS-SLAM: SLAM con Proyección Gaussiana Monocular en Entornos Dinámicos

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

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

cs.AI

Resumen

Presentamos WildGS-SLAM, un sistema robusto y eficiente de SLAM monocular RGB diseñado para manejar entornos dinámicos mediante el aprovechamiento de mapeo geométrico consciente de la incertidumbre. A diferencia de los sistemas SLAM tradicionales, que asumen escenas estáticas, nuestro enfoque integra información de profundidad e incertidumbre para mejorar el rendimiento de seguimiento, mapeo y renderizado en presencia de objetos en movimiento. Introducimos un mapa de incertidumbre, predicho por un perceptrón multicapa superficial y características DINOv2, para guiar la eliminación de objetos dinámicos durante el seguimiento y el mapeo. Este mapa de incertidumbre mejora el ajuste de haz denso y la optimización del mapa Gaussiano, aumentando la precisión de la reconstrucción. Nuestro sistema es evaluado en múltiples conjuntos de datos y demuestra síntesis de vistas libre de artefactos. Los resultados muestran el rendimiento superior de WildGS-SLAM en entornos dinámicos en comparación con los métodos más avanzados.

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.