CG-SLAM:在一致性不确定性感知3D高斯场中的高效稠密RGB-D SLAM
计算机视觉与模式识别
2024-03-26 v1 机器人学
摘要
近年来,神经辐射场(NeRF)被广泛用作稠密同时定位与建图(SLAM)的3D表示。尽管在表面建模和新视角合成方面取得了显著成功,但现有的基于NeRF的方法受限于其计算量大且耗时的体渲染流程。本文提出了一种高效的稠密RGB-D SLAM系统,即CG-SLAM,它基于一种具有高一致性和几何稳定性的新型不确定性感知3D高斯场。通过对Gaussian Splatting的深入分析,我们提出了几种技术来构建适用于跟踪与建图的一致且稳定的3D高斯场。此外,提出了一种新颖的深度不确定性模型,以确保在优化过程中选择有价值的高斯基元,从而提高跟踪效率和精度。在多个数据集上的实验表明,CG-SLAM实现了卓越的跟踪与建图性能,其跟踪速度显著高达15 Hz。我们将公开源代码。项目页面:https://zju3dv.github.io/cg-slam。
引用
@article{arxiv.2403.16095,
title = {CG-SLAM: Efficient Dense RGB-D SLAM in a Consistent Uncertainty-aware 3D Gaussian Field},
author = {Jiarui Hu and Xianhao Chen and Boyin Feng and Guanglin Li and Liangjing Yang and Hujun Bao and Guofeng Zhang and Zhaopeng Cui},
journal= {arXiv preprint arXiv:2403.16095},
year = {2024}
}
备注
Project Page: https://zju3dv.github.io/cg-slam