这篇论文的标题是 CaRtGS: Computational Alignment for Real-Time Gaussian Splatting SLAM，由来自中山大学、香港大学和WeRide公司的研究人员共同完成。

摘要：同时定位与地图构建（SLAM）在机器人技术中至关重要，照片级场景重建正成为关键挑战。为了解决这一问题，我们介绍了实时高斯溅射SLAM（CaRtGS），这是一种新方法，它提高了实时环境中照片级场景重建的效率和质量。利用三维高斯溅射（3DGS），CaRtGS实现了卓越的渲染质量和处理速度，这对于场景的照片级重建至关重要。我们的方法通过一种自适应策略解决了高斯溅射SLAM（GS-SLAM）中的计算不对齐问题，该策略优化了训练、解决了长尾优化问题，并改进了密集化处理。在Replica和TUM-RGBD数据集上的实验表明，CaRtGS在实现高保真度渲染方面非常有效，并且使用的高斯原语更少。这项工作推动了SLAM向实时、照片级密集渲染的方向发展，显著推进了照片级场景表示的进步。

研究背景： 在机器人领域，SLAM（Simultaneous Localization and Mapping，即定位与地图构建）是核心任务之一。随着自动驾驶、虚拟现实/增强现实和具身智能等应用的快速发展，对场景重建提出了更高的要求，如照片级真实感。然而，现有的基于3DGS的SLAM方法在实时性能和渲染质量之间存在计算不对齐的问题。

主要贡献：

1. 对GS-SLAM中的计算不对齐现象进行了深入分析。

2. 提出了一种自适应计算对齐策略，有效解决了训练不足、长尾优化和弱约束密集化问题。

3. 在两个流行的数据集上进行了全面的实验和消融研究，证明了所提方法的有效性。

研究方法： CaRtGS通过以下三个方面来解决计算不对齐问题：

1. 快速Splat-wise反向传播：通过减少线程争用来提高迭代优化过程。

2. 自适应优化：根据训练损失选择重新训练的关键帧，以实现更公平的迭代分配。

3. 不透明度正则化：通过鼓励学习低不透明度来有效管理内存使用和模型大小。

实验结果： CaRtGS在多个数据集上的表现超过了现有的GS-SLAM方法，实现了更高的渲染质量和更少的高斯原语数量，同时保持了超过22帧每秒的实时性能。

结论： CaRtGS通过计算对齐策略显著提高了SLAM过程中的渲染质量和计算效率，朝着实时、照片级密集渲染的方向迈进了一大步。

一句话总结： 这篇论文提出了CaRtGS，一种通过计算对齐策略改进现有SLAM系统以实现实时照片级场景重建的新方法。

论文链接https://arxiv.org/abs/2410.00486

项目链接https://dapengfeng.github.io/cartgs/