RawSLAM: Online HDR Gaussian SLAM from Linear Radiance
作者: Marina Orozco González, Luis Merino
分类: cs.CV
发布日期: 2026-09-17
💡 一句话要点
提出RawSLAM以解决极端光照下的SLAM问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 高动态范围 视觉SLAM 高斯点云 在线处理 光照一致性 机器人导航 增强现实
📋 核心要点
- 现有的SLAM系统在极端光照条件下表现不佳，容易出现跟踪漂移和映射崩溃。
- 本文提出RawSLAM框架，能够在线处理16位线性HDR图像，克服现有方法的局限性。
- 实验结果显示，RawSLAM在轨迹和重建精度上优于MonoGS，且在8位输入下误差减半。
📝 摘要（中文）
当前的密集视觉SLAM系统几乎完全依赖于8位的低动态范围（LDR）输入，这在极端光照条件下导致跟踪漂移和映射崩溃。现有的RAW和高动态范围（HDR）重建管道则严格离线，无法处理大幅度的帧间运动。本文提出了首个在线高斯SLAM框架RawSLAM，直接在单次曝光的16位线性HDR图像上进行跟踪和映射。该方法包括三个核心组件：无架构依赖的HDR高斯点云模块、Reinhard范围压缩的光度目标以及结构引导的空间梯度加权。实验表明，该方法在轨迹和重建精度上均优于现有的MonoGS方法，并且在标准8位输入下也能显著降低误差。
🔬 方法详解
问题定义：本文旨在解决现有SLAM系统在极端光照条件下的跟踪和映射问题。现有方法依赖于8位LDR输入，导致在阴影和高光区域出现跟踪漂移和映射崩溃，且现有的HDR重建方法多为离线处理，无法应对大幅度的帧间运动。
核心思路：RawSLAM框架的核心思路是直接在16位线性HDR图像上进行在线高斯SLAM，利用高动态范围图像的丰富信息来提高跟踪和映射的鲁棒性。通过引入无架构依赖的HDR高斯点云模块，结合光度目标和空间梯度加权，提升了系统的性能。
技术框架：RawSLAM的整体架构包括三个主要模块：1) HDR高斯点云模块，负责处理HDR图像并提取高斯特征；2) Reinhard范围压缩的光度目标，用于优化图像的光度一致性；3) 结构引导的空间梯度加权，增强了特征的空间一致性。
关键创新：本文的关键创新在于首次实现了在线高斯SLAM，能够直接处理16位线性HDR图像，克服了现有方法在极端光照下的局限性。此外，该方法在标准8位输入下也能有效降低误差，展现出良好的通用性。
关键设计：在设计中，HDR高斯点云模块采用无MLP的对数参数化，优化了高斯颜色特征的表示；损失函数采用Reinhard压缩光度目标，确保了光照一致性；空间梯度加权则通过结构引导来提升特征的空间分布效果。整体设计使得RawSLAM在各种光照条件下均表现出色。
🖼️ 关键图片
📊 实验亮点
实验结果表明，RawSLAM在轨迹和重建精度上显著优于MonoGS，尤其在极端光照条件下，误差减少约50%。此外，该方法在处理标准8位输入时也表现出色，展现出良好的适应性和鲁棒性。
🎯 应用场景
RawSLAM的研究成果具有广泛的应用潜力，尤其在机器人导航、增强现实和虚拟现实等领域。通过提高在复杂光照条件下的SLAM性能，该方法能够为自主机器人和移动设备提供更可靠的环境感知能力，推动智能系统的进一步发展。
📄 摘要（原文）
Current dense visual SLAM systems rely almost exclusively on 8-bit tonemapped Low Dynamic Range (LDR) inputs, limiting their robustness in extreme lighting where shadows and highlights trigger tracking drift and mapping collapse. Conversely, existing raw and High Dynamic Range (HDR) reconstruction pipelines operate strictly offline. They depend on Structure-from-Motion preprocessing and are not suited for large inter-frame motion. We present, to the best of our knowledge, the first online Gaussian SLAM framework that tracks and maps directly on single-exposure 16-bit linear HDR imagery. Our method rests on three core components: an architecture-agnostic HDR Gaussian Splatting module featuring an MLP-free logarithmic parameterization of Gaussian color features; a Reinhard range-compressed photometric objective; and structure-guided spatial gradient weighting. Combined, these components allow our approach to outperform a direct HDR adaptation of MonoGS in both trajectory and reconstruction accuracy, while rendering natively in linear scene radiance for post-rendering processing. The same formulation runs unchanged on standard 8-bit inputs, roughly halving the MonoGS baseline error. Furthermore, our HDR Gaussian module transfers seamlessly to SplaTAM, Gaussian SLAM, and DROID-W, eliminating all tracking failures these systems suffer on challenging illumination sequences. To enable this research, we introduce RawSLAM: a dataset of 10 real-world indoor sequences featuring 16-bit RAW imagery, aligned depth, IMU measurements, and external OptiTrack poses. Code and dataset will be made publicly available soon.