上海人工智能实验室、复旦大学、西北工业大学和香港科技大学的研究人员合作开发了一款名为GS-SLAM的基于3D高斯表示的同时定位与地图构建（SLAM）系统。该计划的目标是实现准确性和效率之间的平衡。GS-SLAM采用实时可微分的网格化渲染流程、自适应扩展策略和粗糙到精细的技术来改进姿态跟踪，从而减少运行时间和更稳健的估计。该系统在Replica和TUM-RGBD数据集上展示了竞争性的性能，优于其他实时方法。
该研究回顾了现有的实时稠密视觉SLAM系统，包括基于手工特征、深度学习嵌入和基于NeRF的方法。它强调了在引入GS-SLAM之前，相机姿态估计和使用3D高斯模型进行实时地图构建方面的研究缺失。GS-SLAM创新地将3D高斯表示纳入，采用实时可微分的网格化渲染流程和自适应扩展策略来实现高效的场景重建。与已有的实时SLAM方法相比，该方法在Replica和TUM-RGBD数据集上展示了竞争性的性能。
这项研究解决了传统SLAM方法在实现精细密集地图方面的挑战，并引入了GS-SLAM，一种新颖的RGB-D密集SLAM方法。GS-SLAM利用3D高斯场景表示和实时可微分的网格化渲染流程来增强速度和准确性之间的权衡。所提出的自适应扩展策略高效地重建新观察到的场景几何，而粗到精的技术改进了相机姿态估计。GS-SLAM展示了改进的跟踪、地图构建和渲染性能，为机器人、虚拟现实和增强现实应用的密集SLAM能力提供了重要的进展。
GS-SLAM采用3D高斯表示和实时可微分的网格化渲染流程用于地图构建和RGB-D重新渲染。它特点在于场景几何重建和地图增强的自适应扩展策略。相机跟踪利用粗到精的技术可靠地选择3D高斯表示，减少运行时间并确保鲁棒性估计。GS-SLAM在Replica和TUM-RGBD数据集上的竞争性性能优于NICE-SLAM、Vox-Fusion和iMAP。在各种指标上与CoSLAM的结果相当。GS-SLAM在构建的网格中显示出清晰的边界和细节，重建性能优秀。在跟踪方面，它优于Point-SLAM、NICE-SLAM、Vox-Fusion、ESLAM和CoSLAM。GS-SLAM适用于运行速度约为5 FPS的实时应用。
GS-SLAM的有效性取决于高质量深度信息的可用性，依靠深度传感器读数进行3D高斯初始化和更新。在大规模场景中，该方法的内存使用量较高，未来的工作计划旨在通过神经场景表示集成来缓解这一限制。虽然该研究承认了这些限制，但它需要对自适应扩展策略和粗到精相机跟踪技术的潜在限制有更多深入的洞察。需要进一步的分析来全面评估它们的控制权限。
总之，GS-SLAM是一个有希望的密集视觉SLAM解决方案，它在速度和准确性之间提供了平衡的组合。其自适应的3D高斯扩展策略和粗到精的相机跟踪实现了动态而详细的地图重建和鲁棒的相机姿态估计。尽管它依赖于高质量的深度信息并且在大规模场景中使用内存较多，但GS-SLAM展示了竞争性的性能和优越的渲染质量，尤其是在详细的边缘区域。进一步的改进计划将包括神经场景表示的整合。