WildGS-SLAM: SLAM com Splatting Gaussiano Monocular em Ambientes Dinâmicos

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

Autores: Jianhao Zheng, Zihan Zhu, Valentin Bieri, Marc Pollefeys, Songyou Peng, Iro Armeni

cs.AI

Resumo

Apresentamos o WildGS-SLAM, um sistema robusto e eficiente de SLAM monocromático RGB projetado para lidar com ambientes dinâmicos, aproveitando o mapeamento geométrico consciente da incerteza. Diferente dos sistemas tradicionais de SLAM, que assumem cenas estáticas, nossa abordagem integra informações de profundidade e incerteza para melhorar o desempenho de rastreamento, mapeamento e renderização na presença de objetos em movimento. Introduzimos um mapa de incerteza, previsto por um perceptron multicamadas raso e características do DINOv2, para orientar a remoção de objetos dinâmicos durante o rastreamento e o mapeamento. Esse mapa de incerteza aprimora o ajuste de feixe denso e a otimização do mapa Gaussiano, melhorando a precisão da reconstrução. Nosso sistema é avaliado em múltiplos conjuntos de dados e demonstra síntese de visão livre de artefatos. Os resultados destacam o desempenho superior do WildGS-SLAM em ambientes dinâmicos em comparação com os métodos mais avançados atualmente.

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.