RGS-SLAM: SLAM Robusto com Gaussian Splatting e Inicialização Densa em Uma Etapa
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
Autores: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
Resumo
Apresentamos o RGS-SLAM, uma estrutura robusta de SLAM baseada em *splatting* Gaussiano que substitui a etapa de densificação baseada em resíduos do GS-SLAM por uma inicialização de correspondência-para-Gaussiana sem necessidade de treinamento. Em vez de adicionar progressivamente Gaussianas conforme os resíduos revelam geometria ausente, o RGS-SLAM executa uma triangulação única de correspondências densas multi-visão derivadas de descritores DINOv3, refinadas por meio de um classificador de *inliers* com consciência de confiança, gerando uma semente Gaussiana bem distribuída e consciente da estrutura antes da otimização. Esta inicialização estabiliza o mapeamento inicial e acelera a convergência em aproximadamente 20%, resultando em maior fidelidade de renderização em cenas ricas em textura e desordenadas, mantendo-se totalmente compatível com os *pipelines* existentes de GS-SLAM. Avaliado nos conjuntos de dados TUM RGB-D e Replica, o RGS-SLAM alcança precisão de localização e reconstrução competitiva ou superior em comparação com os sistemas de SLAM baseados em Gaussianas e pontos estado da arte, mantendo um desempenho de mapeamento em tempo real de até 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.