RGS-SLAM: 원샷 밀집 초기화를 통한 강건한 가우시안 스플래팅 SLAM

초록

본 논문에서는 잔차 기반 점증적 밀도화 단계를 훈련 불필요형 대응점-가우시안 초기화 방식으로 대체하는 강건한 가우시안 스플래팅 SLAM 프레임워크인 RGS-SLAM을 소개한다. 잔차 분석을 통해 누락된 기하구조가 발견될 때마다 점차적으로 가우시안을 추가하는 기존 방식과 달리, RGS-SLAM은 신뢰도 인지 내점 분류기를 통해 정제된 DINOv3 디스크립터 기반의 조밀한 다중 뷰 대응점을 일회성 삼각측정하여 최적화 전에 균일한 분포와 구조 인지성을 갖춘 가우시안 시드 집합을 생성한다. 이러한 초기화 방식은 초기 매핑 안정성을 확보하고 수렴 속도를 약 20% 가량 향상시켜, 텍스처가 풍부하고 복잡한 장면에서 더 높은 렌더링 충실도를 구현하면서도 기존 GS-SLAM 파이프라인과 완전히 호환된다. TUM RGB-D 및 Replica 데이터셋에서의 평가 결과, RGS-SLAM은 최신 가우시안 및 포인트 기반 SLAM 시스템 대비 경쟁력 있거나 우수한 위치 인식 및 재구성 정확도를 달성하면서 최대 925 FPS의 실시간 매핑 성능을 유지하였다.

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: 원샷 밀집 초기화를 통한 강건한 가우시안 스플래팅 SLAM

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

초록

Support