RGS-SLAM: Робастный SLAM на основе сплатов Гаусса с однократной плотной инициализацией
RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization
December 28, 2025
Авторы: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang
cs.AI
Аннотация
Мы представляем RGS-SLAM — надежный SLAM-фреймворк на основе гауссовых сплатов, который заменяет этап остаточной драйвен-денсификации GS-SLAM на не требующую обучения инициализацию соответствий в гауссовы элементы. Вместо постепенного добавления гауссовых элементов по мере выявления остатками пропущенной геометрии, RGS-SLAM выполняет одношаговую триангуляцию плотных многовидовых соответствий, полученных из дескрипторов DINOv3, уточненных с помощью учитывающего достоверность классификатора инлаеров. Это генерирует хорошо распределенное и учитывающее структуру гауссово начальное приближение до начала оптимизации. Такая инициализация стабилизирует раннее построение карты и ускоряет сходимость примерно на 20%, обеспечивая более высокую точность рендеринга в богатых текстурой и замусоренных сценах, оставаясь при этом полностью совместимой с существующими конвейерами GS-SLAM. По результатам оценки на наборах данных TUM RGB-D и Replica, RGS-SLAM демонстрирует конкурентоспособную или превосходящую точность локализации и реконструкции по сравнению с передовыми SLAM-системами на основе гауссовых сплатов и точек, поддерживая производительность построения карты в реальном времени на уровне до 925 кадров в секунду.
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.