WildGS-SLAM : SLAM par projection gaussienne monoculaire dans des environnements dynamiques

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

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

cs.AI

Résumé

Nous présentons WildGS-SLAM, un système monocular RGB SLAM robuste et efficace conçu pour gérer les environnements dynamiques en exploitant une cartographie géométrique prenant en compte l'incertitude. Contrairement aux systèmes SLAM traditionnels, qui supposent des scènes statiques, notre approche intègre des informations de profondeur et d'incertitude pour améliorer les performances de suivi, de cartographie et de rendu en présence d'objets mobiles. Nous introduisons une carte d'incertitude, prédite par un perceptron multicouche peu profond et des caractéristiques DINOv2, pour guider l'élimination des objets dynamiques lors du suivi et de la cartographie. Cette carte d'incertitude améliore l'ajustement dense de faisceaux et l'optimisation de la carte gaussienne, augmentant ainsi la précision de la reconstruction. Notre système est évalué sur plusieurs ensembles de données et démontre une synthèse de vues sans artefacts. Les résultats mettent en évidence la performance supérieure de WildGS-SLAM dans les environnements dynamiques par rapport aux méthodes de pointe.

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.