DenseSplat：基于神经辐射先验稀疏高斯溅射 SLAM
计算机视觉与模式识别
2026-01-07 v2
摘要
高斯 SLAM 系统在实时渲染和精细重建方面优于 NeRF-based 系统，但依赖大量关键帧，在实际机器人部署中不够实用，后者通常处于稀疏视角条件下，可能导致地图中出现大量空洞。为此，我们引入 DenseSplat，将 NeRF 和 3DGS 的优势有效结合。DenseSplat 使用稀疏关键帧和 NeRF 先验初始化原始数据，以密集填充地图并无缝填补空洞。它还实现了几何感知的原始数据采样和修剪策略，以管理粒度并提高渲染效率。此外，DenseSplat 集成了闭环检测和束调整，显著提高帧间跟踪精度。多个大规模数据集上的广泛实验表明，DenseSplat 在跟踪和映射方面优于当前最先进的方法。
引用
@article{arxiv.2502.09111,
title = {DenseSplat: Densifying Gaussian Splatting SLAM with Neural Radiance Prior},
author = {Mingrui Li and Shuhong Liu and Tianchen Deng and Hongyu Wang},
journal= {arXiv preprint arXiv:2502.09111},
year = {2026}
}
备注
IEEE Transactions on Visualization and Computer Graphics