RGS-SLAM : SLAM par éclats de Gauss robuste avec initialisation dense en une seule étape
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
Nous présentons RGS-SLAM, un cadre de SLAM robuste basé sur des splines gaussiennes qui remplace l'étape de densification pilotée par les résidus de GS-SLAM par une initialisation directe des Gaussiennes à partir de correspondances, sans phase d'apprentissage. Au lieu d'ajouter progressivement des Gaussians lorsque les résidus révèlent une géométrie manquante, RGS-SLAM effectue une triangulation en une seule passe de correspondances denses multi-vues, dérivées de descripteurs DINOv3 et affinées par un classifieur de points conformes tenant compte de la confiance. Ceci génère un semis de Gaussians bien réparti et conscient de la structure avant toute optimisation. Cette initialisation stabilise la cartographie initiale et accélère la convergence d'environ 20 %, offrant une fidélité de rendu supérieure dans les scènes riches en texture et encombrées, tout en restant entièrement compatible avec les pipelines GS-SLAM existants. Évalué sur les jeux de données TUM RGB-D et Replica, RGS-SLAM atteint une précision de localisation et de reconstruction compétitive ou supérieure par rapport aux systèmes de SLAM à l'état de l'art basés sur des points ou des Gaussians, tout en maintenant des performances de cartographie en temps réel allant jusqu'à 925 images par seconde.
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.