DiskChunGS: Large-Scale 3D Gaussian SLAM Through Chunk-Based Memory Management

📄 arXiv: 2511.23030v1 📥 PDF

作者: Casimir Feldmann, Maximum Wilder-Smith, Vaishakh Patil, Michael Oechsle, Michael Niemeyer, Keisuke Tateno, Marco Hutter

分类: cs.RO, cs.CV

发布日期: 2025-11-28

💡 一句话要点

提出DiskChunGS以解决大规模3D高斯SLAM的内存限制问题

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

关键词: 3D高斯SLAM 内存管理 外存技术 实时重建 机器人导航 增强现实 虚拟现实

📋 核心要点

  1. 现有3D高斯SLAM方法受限于GPU内存容量，无法处理大规模环境，导致重建效果受限。
  2. DiskChunGS通过外存管理，将场景划分为空间块，仅在GPU内存中保持活动区域，从而实现大规模重建。
  3. 在多个数据集上验证了DiskChunGS的有效性，成功完成所有KITTI序列，且视觉质量显著提升。

📝 摘要（中文）

近年来，3D高斯点云技术在新视角合成和实时渲染方面取得了显著进展。然而，将3D高斯点云与SLAM系统结合时，面临GPU内存容量的根本性限制，导致重建仅限于小规模环境。本文提出DiskChunGS，一个可扩展的3D高斯SLAM系统，通过外存管理的方法将场景划分为空间块，仅在GPU内存中保持活动区域，同时将非活动区域存储在磁盘上。我们的架构与现有SLAM框架无缝集成，支持姿态估计和回环闭合，实现大规模的全局一致重建。我们在室内场景（Replica、TUM-RGBD）、城市驾驶场景（KITTI）及资源受限的Nvidia Jetson平台上验证了DiskChunGS。我们的系统在不发生内存故障的情况下，成功完成了所有11个KITTI序列，并实现了更优的视觉质量，表明算法创新能够克服以往3D高斯SLAM方法的内存限制。

🔬 方法详解

问题定义：本文旨在解决现有3D高斯SLAM方法在大规模环境中因GPU内存限制而导致的重建能力不足的问题。现有方法通常只能处理小规模场景，无法满足实际应用需求。

核心思路：DiskChunGS的核心思路是采用外存管理技术，将场景划分为多个空间块，仅将当前活动的块保留在GPU内存中，而将不活跃的块存储在磁盘上。这种设计有效地突破了内存限制，使得大规模场景的重建成为可能。

技术框架：DiskChunGS的整体架构包括场景划分模块、内存管理模块和SLAM集成模块。场景划分模块负责将环境划分为多个空间块，内存管理模块则动态管理GPU内存和磁盘存储，而SLAM集成模块则与现有SLAM框架进行无缝对接，实现姿态估计和回环闭合。

关键创新：DiskChunGS的主要创新在于其外存管理策略，通过动态加载和卸载空间块，显著提高了大规模环境下的重建能力。这一方法与传统的内存限制方法本质上不同，能够处理更复杂的场景。

关键设计：在设计中，DiskChunGS采用了高效的空间块划分算法，并优化了内存管理策略，以确保在进行实时渲染时，能够快速切换活动块。此外，系统还考虑了数据的存取效率，以减少磁盘I/O对性能的影响。

🖼️ 关键图片

img_0

📊 实验亮点

在实验中，DiskChunGS成功完成了所有11个KITTI序列，且未发生内存故障，显示出其在大规模场景处理中的可靠性。此外，系统在视觉质量上也显著优于传统方法，证明了其在实际应用中的优势。

🎯 应用场景

DiskChunGS在室内外大规模环境的实时重建中具有广泛的应用潜力，适用于机器人导航、增强现实和虚拟现实等领域。其高效的内存管理策略使得在资源受限的设备上也能实现复杂场景的重建，具有重要的实际价值和未来影响。

📄 摘要（原文）

Recent advances in 3D Gaussian Splatting (3DGS) have demonstrated impressive results for novel view synthesis with real-time rendering capabilities. However, integrating 3DGS with SLAM systems faces a fundamental scalability limitation: methods are constrained by GPU memory capacity, restricting reconstruction to small-scale environments. We present DiskChunGS, a scalable 3DGS SLAM system that overcomes this bottleneck through an out-of-core approach that partitions scenes into spatial chunks and maintains only active regions in GPU memory while storing inactive areas on disk. Our architecture integrates seamlessly with existing SLAM frameworks for pose estimation and loop closure, enabling globally consistent reconstruction at scale. We validate DiskChunGS on indoor scenes (Replica, TUM-RGBD), urban driving scenarios (KITTI), and resource-constrained Nvidia Jetson platforms. Our method uniquely completes all 11 KITTI sequences without memory failures while achieving superior visual quality, demonstrating that algorithmic innovation can overcome the memory constraints that have limited previous 3DGS SLAM methods.