RGS-SLAM: Robuuste SLAM met Gaussische Splatting en Eénmalige Dichte Initialisatie
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
Auteurs: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
Samenvatting
Wij introduceren RGS-SLAM, een robuust SLAM-kader op basis van Gaussische splatting dat de residu-gedreven verdichtingsfase van GS-SLAM vervangt door een initialisatie zonder trainingsfase, gebaseerd op correspondentie-naar-Gauss. In plaats van geleidelijk Gaussians toe te voegen wanneer residu's ontbrekende geometrie onthullen, voert RGS-SLAM een eenmalige triangulatie uit van dichte multi-view correspondenties afgeleid van DINOv3-descriptors. Deze worden verfijnd door een op vertrouwen gebaseerde inlier-classificator, wat resulteert in een goed verdeelde en structuurbewuste Gaussische startconfiguratie vóór optimalisatie. Deze initialisatie stabiliseert de vroege kaartopbouw en versnelt de convergentie met ongeveer 20%, wat een hogere weergave-getrouwheid oplevert in textuurrijke en rommelige scènes, terwijl volledige compatibiliteit met bestaande GS-SLAM-pipelines behouden blijft. Geëvalueerd op de TUM RGB-D en Replica datasets behaalt RGS-SLAM een competitieve of superieure nauwkeurigheid voor lokalisatie en reconstructie in vergelijking met state-of-the-art Gaussische en op punten gebaseerde SLAM-systemen, waarbij real-time kaartprestaties worden volgehouden tot 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.