VIGS-SLAM：视觉惯性高斯点云SLAM
VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM
AI总结：
VIGS-SLAM通过融合视觉与惯性信息，实现鲁棒的实时跟踪和高保真重建，克服了纯视觉方法在运动模糊、低纹理等挑战性条件下的局限。
摘要：
我们提出了VIGS-SLAM，一种基于视觉-惯性的3D高斯点云SLAM系统，实现了鲁棒的实时跟踪和高保真的重建。尽管近期基于3DGS的SLAM方法能够实现密集且逼真的映射，但其纯视觉设计在运动模糊、低纹理和曝光变化等挑战性条件下性能下降。我们的方法在统一的优化框架中紧密耦合视觉和惯性线索，联合优化相机姿态、深度和IMU状态。它具有鲁棒的IMU初始化、时间变化的偏置建模和具有一致高斯更新的回环闭合。在五个具有挑战性的数据集上的实验表明，我们的方法优于现有最先进方法。项目页面：https://vigs-slam.github.io
英文摘要：
We present VIGS-SLAM, a visual-inertial 3D Gaussian Splatting SLAM system that achieves robust real-time tracking and high-fidelity reconstruction. Although recent 3DGS-based SLAM methods achieve dense and photorealistic mapping, their purely visual design degrades under challenging conditions such as motion blur, low texture, and exposure variations. Our method tightly couples visual and inertial cues within a unified optimization framework, jointly optimizing camera poses, depths, and IMU states. It features robust IMU initialization, time-varying bias modeling, and loop closure with consistent Gaussian updates. Experiments on five challenging datasets demonstrate our superiority over state-of-the-art methods. Project page: https://vigs-slam.github.io
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。
