NeRF何去何从？GS SLAM到底哪家强？来看看最新的开源方案！

0. 笔者个人体会

最近3D GS已经彻底杀入了SLAM领域，光这一个月看见了好几篇GS SLAM的工作。例如上海AI Lab的GS-SLAM、帝国理工戴森机器人实验室的Gaussian Splatting SLAM、CMU的SplaTAM。

今天笔者将为大家再分享一篇GS SLAM的最新开源工作Gaussian-SLAM，同样实现了照片级渲染的实时SLAM。不过大家都说自己是第一个GS SLAM，但具体哪个SLAM更强，读者可以运行代码对比一下~

下面一起来阅读一下这项工作，文末附论文和代码链接~

1. 效果展示

Gaussian-SLAM的渲染结果对比，Gaussian Splatting本身非常快，所以可以只看一下渲染精度。对比其他NeRF SLAM精度有明显提升，但是没有对比其他GS SLAM。

更多渲染结果的对比，但还是挺想看看和Gaussian Splatting SLAM等工作的对比效果的。

2. 具体原理是什么？

Gaussian-SLAM提出了用于seeding和优化Gaussian splats的新策略，以将其从多视图离线场景扩展到RGBD序列。还扩展了Gaussian splats来编码几何图形并尝试跟踪场景表示。这里也推荐工坊推出的新课程《彻底剖析室内、室外激光SLAM关键算法和实战(cartographer+LOAM+LIO-SAM)》。

当输入RGBD关键帧时，考虑到颜色梯度，首先对其进行下采样。然后将采样点投影到3D空间，在这些采样位置上用它们的均值初始化新的高斯。这些新的3D高斯被添加到稀疏区域的全局地图的当前活动段中。输入的RGBD关键帧与其他对活动子图有贡献的关键帧一起临时存储。一旦新的高斯被整合到活动子图中，所有对活动子图有贡献的关键帧都被渲染出来。随后，对子图输入的关键帧计算深度和颜色损失。接着更新活动子图中3D高斯的参数。这个过程重复固定的迭代次数。

3. 和其他SOTA方法对比如何？

ScanNet数据集上的渲染效果对比，相比NeRF SLAM有了明显提升，但同时是没有对比其他GS SLAM。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~