UDGS-SLAM：用于单目SLAM的UniDepth辅助高斯溅射
UDGS-SLAM : UniDepth Assisted Gaussian Splatting for Monocular SLAM
AI总结：
本研究提出UDGS-SLAM，通过集成UniDepth网络与统计滤波，在无需RGB-D传感器的情况下联合优化相机轨迹与高斯场景表示，实现了高保真渲染与低轨迹误差的单目SLAM。
摘要：
单目神经深度估计的最新进展，特别是UniDepth网络取得的进展，促使人们研究将UniDepth集成到用于单目SLAM的高斯溅射框架中。本研究提出了UDGS-SLAM，这是一种新方法，消除了在高斯溅射框架中使用RGB-D传感器进行深度估计的必要性。UDGS-SLAM采用统计滤波来确保估计深度的局部一致性，并联合优化相机轨迹和高斯场景表示参数。所提出的方法实现了高保真渲染图像和低ATE RMSE的相机轨迹。UDGS-SLAM的性能使用TUM RGB-D数据集进行了严格评估，并与几种基线方法进行了基准比较，证明了在各种场景下的优越性能。此外，还进行了消融研究以验证设计选择，并研究不同网络主干编码器对系统性能的影响。
英文摘要：
Recent advancements in monocular neural depth estimation, particularly those achieved by the UniDepth network, have prompted the investigation of integrating UniDepth within a Gaussian splatting framework for monocular SLAM. This study presents UDGS-SLAM, a novel approach that eliminates the necessity of RGB-D sensors for depth estimation within Gaussian splatting framework. UDGS-SLAM employs statistical filtering to ensure local consistency of the estimated depth and jointly optimizes camera trajectory and Gaussian scene representation parameters. The proposed method achieves high-fidelity rendered images and low ATERMSE of the camera trajectory. The performance of UDGS-SLAM is rigorously evaluated using the TUM RGB-D dataset and benchmarked against several baseline methods, demonstrating superior performance across various scenarios. Additionally, an ablation study is conducted to validate design choices and investigate the impact of different network backbone encoders on system performance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
