RGS-SLAM: SLAM Robusto a Splatting Gaussiano con Inizializzazione Densa One-Shot
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
Autori: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
Abstract
Introduciamo RGS-SLAM, un framework SLAM robusto basato su splatting di Gaussiane che sostituisce la fase di densificazione guidata dai residui di GS-SLAM con un'inizializzazione training-free da corrispondenze a Gaussiane. Invece di aggiungere progressivamente Gaussiane man mano che i residui rivelano geometrie mancanti, RGS-SLAM esegue una triangolazione one-shot di dense corrispondenze multi-vista derivate da descrittori DINOv3 raffinati attraverso un classificatore di inlier con consapevolezza della confidenza, generando un seed di Gaussiane ben distribuito e consapevole della struttura prima dell'ottimizzazione. Questa inizializzazione stabilizza la mappatura iniziale e accelera la convergenza di circa il 20%, producendo una fedeltà di rendering superiore in scene ricche di texture e disordinate, rimanendo al contempo completamente compatibile con le pipeline GS-SLAM esistenti. Valutato sui dataset TUM RGB-D e Replica, RGS-SLAM raggiunge un'accuratezza di localizzazione e ricostruzione competitiva o superiore rispetto ai sistemi SLAM allo stato dell'arte basati su Gaussiane e punti, mantenendo prestazioni di mappatura in tempo reale fino a 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.