GRS-SLAM3R：基于门控循环状态的实时稠密SLAM
计算机视觉与模式识别
2025-09-30 v1 机器人学
摘要
基于DUSt3R的端到端场景重建最近在稠密视觉SLAM中展现出广泛前景。然而，大多数现有方法仅使用图像对来估计点图，忽略了空间记忆和全局一致性。为此，我们引入GRS-SLAM3R，一个从RGB图像中进行稠密场景重建和姿态估计的端到端SLAM框架，无需任何场景或相机参数的先验知识。不同于现有基于DUSt3R的框架，后者在所有图像对上运行并在局部坐标系中预测每对点图，我们的方法支持序列化输入，逐步估计全局坐标系中的准比例尺点云。为提高一致的空间相关性，我们使用潜在状态存储空间记忆，并设计基于Transformer的门控更新模块以重置和更新空间记忆，持续聚合和跟踪跨帧的相关3D信息。此外，我们将场景划分为子图，对每个子图内进行局部对齐，并通过相对约束将所有子图注册到共同的世界坐标系，生成全局一致的地图。在 various 数据集上进行的实验表明，我们的框架在保持实时性能的同时实现了优越的重建精度。
引用
@article{arxiv.2509.23737,
title = {GRS-SLAM3R: Real-Time Dense SLAM with Gated Recurrent State},
author = {Guole Shen and Tianchen Deng and Yanbo Wang and Yongtao Chen and Yilin Shen and Jiuming Liu and Jingchuan Wang},
journal= {arXiv preprint arXiv:2509.23737},
year = {2025}
}