WildGS-SLAM: Монохромное SLAM с использованием гауссовых сплайнов в динамических средах

WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments

April 4, 2025

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

cs.AI

Аннотация

Мы представляем WildGS-SLAM — надежную и эффективную систему монокулярного RGB SLAM, разработанную для работы в динамических средах с использованием геометрического картографирования, учитывающего неопределенность. В отличие от традиционных SLAM-систем, которые предполагают статичные сцены, наш подход интегрирует информацию о глубине и неопределенности для улучшения отслеживания, картографирования и рендеринга в присутствии движущихся объектов. Мы вводим карту неопределенности, предсказываемую с помощью неглубокого многослойного перцептрона и признаков DINOv2, чтобы направлять удаление динамических объектов как при отслеживании, так и при картографировании. Эта карта неопределенности улучшает плотную настройку связок и оптимизацию карты Гаусса, повышая точность реконструкции. Наша система протестирована на нескольких наборах данных и демонстрирует синтез изображений без артефактов. Результаты показывают превосходство WildGS-SLAM в динамических средах по сравнению с современными методами.

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.