Have We Mastered Scale in Deep Monocular Visual SLAM? The ScaleMaster Dataset and Benchmark

📄 arXiv: 2602.18174v1 📥 PDF

作者: Hyoseok Ju, Bokeon Suh, Giseop Kim

分类: cs.RO

发布日期: 2026-02-20

备注: 8 pages, 9 figures, accepted to ICRA 2026

💡 一句话要点

提出ScaleMaster数据集，揭示深度单目SLAM在尺度一致性上的不足

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

关键词: 单目SLAM 深度学习 尺度一致性 数据集 基准测试

📋 核心要点

  1. 现有深度单目SLAM在尺度一致性方面存在不足，尤其是在大规模、复杂结构的室内环境中。
  2. 提出ScaleMaster数据集，包含多层结构、长轨迹等挑战场景，用于评估和提升SLAM系统的尺度一致性。
  3. 实验表明，现有深度单目SLAM在ScaleMaster数据集上表现不佳，突显了尺度一致性问题的重要性。

📝 摘要（中文）

深度单目视觉SLAM近年来在精度和稠密重建方面取得了显著进展，但其在大规模室内环境中对尺度不一致的鲁棒性仍未得到充分研究。现有基准测试主要集中在房间尺度或结构简单的场景，未能充分解决会话内尺度漂移和会话间尺度模糊等关键问题。为了填补这一空白，我们推出了ScaleMaster数据集，这是第一个专门用于评估复杂场景下尺度一致性的基准，包括多层结构、长轨迹、重复视图和低纹理区域。我们系统地分析了现有深度单目视觉SLAM系统在尺度不一致性方面的脆弱性，提供了定量和定性的评估。我们的分析超越了传统的轨迹指标，包括使用Chamfer距离等指标对高保真3D真值进行直接的地图到地图的质量评估。结果表明，虽然现有的深度单目视觉SLAM系统在现有基准测试中表现出色，但在真实的、大规模室内环境中，它们会遭受严重的尺度相关故障。通过发布ScaleMaster数据集和基线结果，我们旨在为未来开发尺度一致且可靠的视觉SLAM系统奠定基础。

🔬 方法详解

问题定义：现有深度单目视觉SLAM系统在小规模、结构简单的场景中表现良好，但在大规模、复杂结构的室内环境中，由于长期尺度漂移和会话间尺度模糊，导致尺度不一致性问题严重，限制了其在实际场景中的应用。现有数据集难以充分评估和暴露这些问题。

核心思路：通过构建一个专门针对尺度一致性问题的数据集，ScaleMaster，来系统地评估现有深度单目SLAM系统在复杂场景下的性能。该数据集包含多层结构、长轨迹、重复视图和低纹理区域等挑战，旨在暴露现有方法在尺度估计方面的不足。

技术框架：ScaleMaster数据集的构建流程包括：数据采集（使用高精度传感器获取RGB-D数据），数据处理（包括噪声过滤、数据对齐等），以及真值生成（使用SLAM算法或人工标注生成高精度的3D地图）。同时，论文还提供了基于现有深度单目SLAM算法的基线结果，作为评估新算法的参考。评估指标包括传统的轨迹精度指标（如ATE, RMSE），以及地图到地图的质量评估指标（如Chamfer Distance）。

关键创新：ScaleMaster数据集是第一个专门针对深度单目SLAM尺度一致性问题设计的基准数据集。它不仅提供了具有挑战性的场景，还提供了高精度的3D真值地图，以及全面的评估指标，包括轨迹精度和地图质量。这使得研究人员能够更全面地评估和比较不同SLAM算法的尺度一致性性能。

关键设计：ScaleMaster数据集的关键设计包括：1) 多层结构：模拟真实室内环境的多层结构，增加尺度漂移的可能性；2) 长轨迹：模拟长时间的SLAM过程，暴露长期尺度漂移问题；3) 重复视图：模拟SLAM系统在重复场景中的表现，考察其对尺度一致性的影响；4) 低纹理区域：模拟低纹理环境，增加特征提取的难度，从而影响尺度估计的准确性。此外，数据集还提供了多种传感器数据，包括RGB图像、深度图像和IMU数据，方便研究人员进行多模态融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，现有的深度单目SLAM系统在ScaleMaster数据集上表现出显著的尺度不一致性问题，例如，在长轨迹中出现明显的尺度漂移，导致重建地图的质量下降。与在现有数据集上的良好表现形成鲜明对比，突显了ScaleMaster数据集的价值和必要性。

🎯 应用场景

该研究成果可应用于机器人导航、增强现实、三维重建等领域。通过提升深度单目SLAM系统的尺度一致性，可以使其在更大规模、更复杂的环境中稳定运行，为机器人提供更可靠的定位和地图信息，从而实现更智能的自主导航和交互。

📄 摘要（原文）

Recent advances in deep monocular visual Simultaneous Localization and Mapping (SLAM) have achieved impressive accuracy and dense reconstruction capabilities, yet their robustness to scale inconsistency in large-scale indoor environments remains largely unexplored. Existing benchmarks are limited to room-scale or structurally simple settings, leaving critical issues of intra-session scale drift and inter-session scale ambiguity insufficiently addressed. To fill this gap, we introduce the ScaleMaster Dataset, the first benchmark explicitly designed to evaluate scale consistency under challenging scenarios such as multi-floor structures, long trajectories, repetitive views, and low-texture regions. We systematically analyze the vulnerability of state-of-the-art deep monocular visual SLAM systems to scale inconsistency, providing both quantitative and qualitative evaluations. Crucially, our analysis extends beyond traditional trajectory metrics to include a direct map-to-map quality assessment using metrics like Chamfer distance against high-fidelity 3D ground truth. Our results reveal that while recent deep monocular visual SLAM systems demonstrate strong performance on existing benchmarks, they suffer from severe scale-related failures in realistic, large-scale indoor environments. By releasing the ScaleMaster dataset and baseline results, we aim to establish a foundation for future research toward developing scale-consistent and reliable visual SLAM systems.