SGS-SLAM：面向神经稠密SLAM的语义高斯泼溅
计算机视觉与模式识别
2024-11-26 v6 人工智能
机器人学
摘要
我们提出SGS-SLAM，首个基于高斯泼溅的语义视觉SLAM系统。它通过多通道优化融合了外观、几何和语义特征，解决了神经隐式SLAM系统在高质量渲染、场景理解和物体级几何方面存在的过度平滑限制。我们引入了一种独特的语义特征损失，有效弥补了传统深度和颜色损失在物体优化中的不足。通过一种语义引导的关键帧选择策略，我们防止了由累积误差导致的错误重建。大量实验表明，SGS-SLAM在相机姿态估计、地图重建、精确语义分割和物体级几何精度方面均提供了最先进的性能，同时确保了实时渲染能力。
引用
@article{arxiv.2402.03246,
title = {SGS-SLAM: Semantic Gaussian Splatting For Neural Dense SLAM},
author = {Mingrui Li and Shuhong Liu and Heng Zhou and Guohao Zhu and Na Cheng and Tianchen Deng and Hongyu Wang},
journal= {arXiv preprint arXiv:2402.03246},
year = {2024}
}