WildGS-SLAM: Monoculaire Gaussian Splatting SLAM in Dynamische Omgevingen

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

Samenvatting

We presenteren WildGS-SLAM, een robuust en efficiënt monochroom RGB SLAM-systeem dat is ontworpen om dynamische omgevingen te verwerken door gebruik te maken van onzekerheidsbewuste geometrische mapping. In tegenstelling tot traditionele SLAM-systemen, die uitgaan van statische scènes, integreert onze aanpak diepte- en onzekerheidsinformatie om de tracking-, mapping- en renderingprestaties te verbeteren in aanwezigheid van bewegende objecten. We introduceren een onzekerheidskaart, voorspeld door een ondiep multi-layer perceptron en DINOv2-features, om de verwijdering van dynamische objecten te begeleiden tijdens zowel tracking als mapping. Deze onzekerheidskaart verbetert dense bundle adjustment en Gaussiaanse mapoptimalisatie, wat de nauwkeurigheid van de reconstructie verhoogt. Ons systeem wordt geëvalueerd op meerdere datasets en demonstreert artefactvrije viewsynthese. De resultaten tonen de superieure prestaties van WildGS-SLAM in dynamische omgevingen in vergelijking met state-of-the-art methoden.

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.