GS3LAM：高斯语义溅射SLAM
计算机视觉与模式识别
2026-03-31 v1
摘要
最近，RGB、深度和语义数据的多模态融合在密集同步定位与制图（SLAM）中展现出巨大的潜力。然而，生成一致语义地图的关键前提是密集、高效且可扩展的场景表示的可用性。现有的基于显式表示的语义SLAM系统常受分辨率限制，无法预测未知区域。相反，隐式表示通常依赖于耗时的光线追踪，无法满足实时要求。幸运的是，3D高斯溅射（3DGS）作为一种将点基于方法的效率与几何结构的连续性相结合的表示，显示出巨大的潜力。为此，我们提出GS3LAM，一种高斯语义溅射SLAM框架，用于处理多模态数据以实现实时渲染一致、密集的语义地图。GS3LAM将场景建模为语义高斯场（SG-Field），通过多模态误差约束联合优化相机姿态和场。此外，引入深度自适应尺度正则化（DSR）方案，以解决尺度不变高斯与几何表面之间的错位。为缓解灾难性遗忘，我们提出基于随机抽样的关键帧映射（RSKM）策略，显示出优于常见局部可见性优化方法的优异性能。广泛的基准数据集实验表明，GS3LAM在跟踪鲁棒性、渲染质量和语义精度方面均优于最先进的方法。源代码可在https://github.com/lif314/GS3LAM获取。
引用
@article{arxiv.2603.27781,
title = {GS3LAM: Gaussian Semantic Splatting SLAM},
author = {Linfei Li and Lin Zhang and Zhong Wang and Ying Shen},
journal= {arXiv preprint arXiv:2603.27781},
year = {2026}
}
备注
Accepted by ACM MM 2024