RGS-SLAM：ワンショット高密度初期化によるロバストなガウススプラッティングSLAM

要旨

本論文では、堅牢なガウススプラッティングSLAMフレームワークであるRGS-SLAMを提案する。本手法は、GS-SLAMの残差駆動の高密度化ステージを、学習を必要としない対応点からガウス分布への初期化手法で置き換える。残差が示す欠損ジオメトリに基づいて段階的にガウス分布を追加する従来手法とは異なり、RGS-SLAMは、信頼度考慮インライア分類器で精製されたDINOv3記述子から得られた高密度なマルチビュー対応点のワンショット三角測量を実行する。これにより、最適化前に、分布が均一で構造を考慮したガウス分布のシードを生成する。この初期化により、マッピングの初期段階が安定し、収束が約20%高速化される。さらに、テクスチャが豊富で雑多なシーンにおいて、より高いレンダリング忠実度を実現しつつ、既存のGS-SLAMパイプラインとの完全な互換性を維持する。TUM RGB-DおよびReplicaデータセットによる評価では、RGS-SLAMは、最新のガウス分布ベースおよびポイントベースのSLAMシステムと比較して、競争力のある、あるいは優れた位置推定および再構成精度を達成し、最大925 FPSでのリアルタイムマッピング性能を維持する。

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.

RGS-SLAM：ワンショット高密度初期化によるロバストなガウススプラッティングSLAM

RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization

要旨

Support