MonoGS++: Fast and Accurate Monocular RGB Gaussian SLAM

📄 arXiv: 2504.02437v1 📥 PDF

作者: Renwu Li, Wenjing Ke, Dong Li, Lu Tian, Emad Barsoum

分类: cs.CV

发布日期: 2025-04-03

💡 一句话要点

提出MonoGS++以解决单目RGB SLAM的硬件依赖问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 单目SLAM RGB输入 3D高斯映射 动态高斯插入 视觉里程计 机器人导航 增强现实

📋 核心要点

  1. 现有的3D高斯点云方法通常依赖深度传感器，限制了其应用场景和硬件需求。
  2. MonoGS++通过仅使用RGB输入，结合在线视觉里程计，提出了一种新的3D高斯映射方法，减少了冗余并提高了重建质量。
  3. 在实验中，MonoGS++在合成和真实数据集上均表现出色，fps提升达到5.57倍，精度与现有最优方法相当。

📝 摘要（中文）

我们提出了MonoGS++，一种新颖的快速且准确的同时定位与地图构建（SLAM）方法，该方法利用3D高斯表示并仅依赖RGB输入。与以往依赖深度传感器的3D高斯点云方法不同，我们的方法减少了硬件依赖，仅需RGB输入，通过在线视觉里程计（VO）实时生成稀疏点云。为减少冗余并提高3D场景重建质量，我们实施了一系列方法学改进，包括动态3D高斯插入和清晰度增强的高斯稠密化模块，以更好地处理无纹理区域和平面表面。我们在合成的Replica和真实世界的TUM-RGBD数据集上实现了精确的相机跟踪结果，性能可与最先进的方法相媲美。此外，我们的方法在每秒帧数（fps）上实现了5.57倍的显著提升。

🔬 方法详解

问题定义：本论文旨在解决现有SLAM方法对深度传感器的依赖问题，导致硬件需求高且应用受限。

核心思路：我们提出MonoGS++，通过仅使用RGB输入和在线视觉里程计生成稀疏点云，从而实现高效的3D高斯映射。

技术框架：MonoGS++的整体架构包括动态3D高斯插入模块、清晰度增强的高斯稠密化模块和面状正则化，形成一个完整的SLAM流程。

关键创新：动态3D高斯插入避免了在已重建区域添加冗余高斯，而清晰度增强模块则改善了对无纹理区域的处理，这些创新使得MonoGS++在性能上优于以往方法。

关键设计：在设计中，我们设置了适应性参数以控制高斯的插入和稠密化过程，使用特定的损失函数来优化重建质量，并确保网络结构能够高效处理RGB输入。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，MonoGS++在合成的Replica和真实的TUM-RGBD数据集上实现了与最先进方法相当的精确相机跟踪结果，同时在每秒帧数（fps）上实现了5.57倍的显著提升，展示了其在速度和准确性上的优势。

🎯 应用场景

MonoGS++的研究成果在机器人导航、增强现实和自动驾驶等领域具有广泛的应用潜力。通过降低对深度传感器的依赖，该方法能够在资源受限的环境中实现高效的环境感知和地图构建，推动相关技术的普及与发展。

📄 摘要（原文）

We present MonoGS++, a novel fast and accurate Simultaneous Localization and Mapping (SLAM) method that leverages 3D Gaussian representations and operates solely on RGB inputs. While previous 3D Gaussian Splatting (GS)-based methods largely depended on depth sensors, our approach reduces the hardware dependency and only requires RGB input, leveraging online visual odometry (VO) to generate sparse point clouds in real-time. To reduce redundancy and enhance the quality of 3D scene reconstruction, we implemented a series of methodological enhancements in 3D Gaussian mapping. Firstly, we introduced dynamic 3D Gaussian insertion to avoid adding redundant Gaussians in previously well-reconstructed areas. Secondly, we introduced clarity-enhancing Gaussian densification module and planar regularization to handle texture-less areas and flat surfaces better. We achieved precise camera tracking results both on the synthetic Replica and real-world TUM-RGBD datasets, comparable to those of the state-of-the-art. Additionally, our method realized a significant 5.57x improvement in frames per second (fps) over the previous state-of-the-art, MonoGS.