[논문리뷰] RGS-SLAM: Robust Gaussian Splatting SLAM with One-Shot Dense Initialization

링크: 논문 PDF로 바로 열기

저자: Wei-Tse Cheng, Yen-Jen Chiou, Yuan-Fu Yang*

핵심 연구 목표

기존 3D Gaussian Splatting (3DGS) SLAM 시스템의 residual-driven densification 방식이 초래하는 불안정한 수렴과 불균일한 지오메트리 문제를 해결하는 것입니다. 이를 대체할 one-shot dense initialization 방법을 제안하여, 훈련 과정 없이 강건하고 실시간으로 동작하는 SLAM 시스템을 구축하고자 합니다.

핵심 방법론

논문은 DINOv3 디스크립터 를 기반으로 밀집 다중 뷰 대응점(dense multi-view correspondences) 을 추출하고, 신뢰도 기반 인라이어 분류기 를 통해 이를 정제합니다. 이 대응점들을 다중 뷰 삼각측량(multi-view triangulation) 하여 잘 분포되고 구조를 인지하는 가우시안 시드(Gaussian seed)를 한 번에 초기화 합니다. 이후 미분 가능한 3DGS 렌더러 와 해석적 SE(3 야코비안(Jacobian)) 을 사용하여 가우시안 파라미터와 카메라 자세를 실시간으로 추적 및 최적화합니다.

주요 결과

제안된 RGS-SLAM은 20% 더 빠른 수렴 속도 를 보였으며, TUM RGB-D 데이터셋에서 평균 ATE(Absolute Trajectory Error) 1.02 cm , Replica 데이터셋에서 0.61 cm 를 달성하여 기존 MonoGS보다 우수했습니다. 또한, 925 FPS 의 높은 렌더링 처리량과 1.537 cm 정확도 , 97.843% 완전성 비율 의 고품질 재구성을 제공하여 SNI-SLAM 등 기존 모델을 능가했습니다.

AI 실무자를 위한 시사점

훈련 과정 없는 one-shot initialization 은 3DGS SLAM의 복잡성을 줄이고 시스템 안정성을 크게 향상시킵니다. DINOv3 기반의 밀집 특징 매칭 과 다중 뷰 삼각측량 기법은 기존 딥러닝 모델의 잔여물 기반 덴시피케이션 단계를 효율적으로 대체하며, 로봇 공학, AR/VR, 디지털 트윈과 같은 실시간 응용 분야에서 강건하고 고정밀 맵핑 솔루션을 제공하는 데 기여할 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.