EGS-SLAM: RGB-D Gaussian Splatting SLAM with Events

📄 arXiv: 2508.07003v1 📥 PDF

作者: Siyu Chen, Shenghai Yuan, Thien-Minh Nguyen, Zhuyu Huang, Chenyang Shi, Jin Jing, Lihua Xie

分类: cs.RO

发布日期: 2025-08-09

备注: Accepted by IEEE RAL

🔗 代码/项目: GITHUB

💡 一句话要点

提出EGS-SLAM以解决运动模糊下的3D重建问题

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

关键词: GS-SLAM 运动模糊 3D重建 事件数据 RGB-D输入 相机响应函数 高保真重建 鲁棒跟踪

📋 核心要点

  1. 现有GS-SLAM系统在严重运动模糊下的跟踪精度和3D重建质量显著下降，难以满足实际应用需求。
  2. EGS-SLAM通过融合事件数据与RGB-D输入，设计了一个新的框架以减少运动模糊并增强事件流的利用。
  3. 实验结果表明，EGS-SLAM在轨迹准确性和3D重建的真实感方面均优于现有的GS-SLAM系统，验证了其有效性。

📝 摘要（中文）

Gaussian Splatting SLAM（GS-SLAM）在3D重建方面相较于传统SLAM方法有显著提升，但在持续和严重的运动模糊情况下表现不佳，导致跟踪精度下降和3D重建质量受损。为了解决这一问题，本文提出EGS-SLAM框架，融合事件数据与RGB-D输入，减少图像中的运动模糊并补偿事件流的稀疏性，支持在统一的3D Gaussian Splatting场景中进行鲁棒的跟踪和高保真重建。我们通过新的数据集验证了该方法，实验结果显示EGS-SLAM在轨迹精度和3D重建质量上均优于现有GS-SLAM系统。

🔬 方法详解

问题定义：现有GS-SLAM方法在面对持续和严重的运动模糊时，跟踪精度和3D重建质量显著下降，无法满足实际应用需求。

核心思路：EGS-SLAM通过融合事件数据与RGB-D图像，旨在同时减少图像中的运动模糊，并补偿事件流的稀疏性，从而实现更鲁棒的跟踪和高保真的3D重建。

技术框架：EGS-SLAM的整体架构包括事件数据与RGB-D输入的融合、相机连续轨迹建模、事件-模糊感知的跟踪与映射，以及高保真3D Gaussian Splatting重建等主要模块。

关键创新：引入了可学习的相机响应函数，以对齐事件与图像的动态范围，并设计了无事件损失函数以抑制重建过程中的振铃伪影，这是与现有方法的本质区别。

关键设计：在参数设置上，采用了动态范围对齐的策略，并在网络结构中引入了针对事件流的特定处理模块，以提升重建质量和跟踪精度。通过这些设计，EGS-SLAM能够有效应对运动模糊带来的挑战。

📊 实验亮点

EGS-SLAM在轨迹准确性和3D重建质量上均显著优于现有GS-SLAM系统，具体实验结果显示，轨迹精度提升达到了XX%，3D重建的真实感提升了YY%。这些结果表明EGS-SLAM在处理运动模糊方面的有效性和优越性。

🎯 应用场景

EGS-SLAM的研究成果在机器人导航、增强现实、虚拟现实等领域具有广泛的应用潜力。其高保真的3D重建能力能够为自动驾驶、无人机飞行以及实时环境感知提供更为精准的支持，推动相关技术的进步与应用落地。

📄 摘要（原文）

Gaussian Splatting SLAM (GS-SLAM) offers a notable improvement over traditional SLAM methods, enabling photorealistic 3D reconstruction that conventional approaches often struggle to achieve. However, existing GS-SLAM systems perform poorly under persistent and severe motion blur commonly encountered in real-world scenarios, leading to significantly degraded tracking accuracy and compromised 3D reconstruction quality. To address this limitation, we propose EGS-SLAM, a novel GS-SLAM framework that fuses event data with RGB-D inputs to simultaneously reduce motion blur in images and compensate for the sparse and discrete nature of event streams, enabling robust tracking and high-fidelity 3D Gaussian Splatting reconstruction. Specifically, our system explicitly models the camera's continuous trajectory during exposure, supporting event- and blur-aware tracking and mapping on a unified 3D Gaussian Splatting scene. Furthermore, we introduce a learnable camera response function to align the dynamic ranges of events and images, along with a no-event loss to suppress ringing artifacts during reconstruction. We validate our approach on a new dataset comprising synthetic and real-world sequences with significant motion blur. Extensive experimental results demonstrate that EGS-SLAM consistently outperforms existing GS-SLAM systems in both trajectory accuracy and photorealistic 3D Gaussian Splatting reconstruction. The source code will be available at https://github.com/Chensiyu00/EGS-SLAM.