BDGS-SLAM 重磅来袭！动态环境下的 3D 高斯溅射 SLAM 新突破

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC12610981/pdf/sensors-25-06641.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出了专为动态环境设计的BDGS-SLAM贝叶斯动态高斯溅射 SLAM框架通过贝叶斯滤波、多视图概率更新与自适应优化三大核心模块实现了动态场景下的鲁棒跟踪与高保真重建为 3DGS-SLAM 在动态环境的应用开辟了新路径。PART/1痛点核心痛点动态环境下 3DGS-SLAM 的技术瓶颈传统 3DGS-SLAM 系统如 Gaussian Splatting SLAM、SplaTAM在静态场景表现优异但在含有人、车辆等动态物体的现实环境中存在诸多难以解决的问题动态物体导致多视图测量不一致重建场景出现重影、纹理模糊、结构重复等渲染伪影传统基于特征移除、光流分割的动态抑制方法无法直接适配 3DGS 的稠密视图相关高斯表示易造成全局伪影现有神经隐式 SLAM 方法虽在动态干扰处理上有进展但存在实时性差、场景几何精度不足、跟踪与建图模块松耦合的问题部分动态 3DGS-SLAM 方法采用确定性二值标签缺乏时间维度的标签优化易误删静态高斯点、丢失场景关键信息。针对这些痛点BDGS-SLAM 构建了紧耦合的跟踪 - 建图架构将语义检测、概率动态滤波与渲染感知高斯优化深度融合实现了动态干扰的精准抑制与静态场景的完整重建。PART/2核心创新模型设计三大核心模块打造动态环境鲁棒性BDGS-SLAM 以 3D 高斯点为核心表示融合 YOLOv5 语义检测与贝叶斯滤波从动态概率推断、多视图融合、自适应优化三个维度解决动态干扰问题整体架构简洁且针对性强。【BDGS-SLAM 整体架构图】1. 贝叶斯滤波精准识别动态高斯点摒弃传统像素级分割的高计算开销直接在后端基于高斯点构建贝叶斯滤波器实现动态 / 静态高斯点的概率分类跟踪模块中用 YOLOv5 检测动态物体为每个高斯点提供语义概率并融合深度、3D 位置、协方差等几何特征形成特征向量通过贝叶斯滤波递归更新高斯点的动态后验概率结合 sigmoid 校准观测似然并引入指数衰减因子保证状态演化的时间一致性将分类结果回溯映射到跟踪特征点修正基于跟踪的位姿估计累积误差从源头抑制动态干扰。【贝叶斯状态更新框架图】2. 多视图概率更新恢复误删静态高斯点针对贝叶斯滤波可能出现的标签误判问题融合共视关键帧的历史观测信息优化高斯点标签的鲁棒性对当前帧与共视关键帧的观测信息进行加权融合权重由指数衰减因子动态调整弱化远距离帧的影响引入投票机制根据后验概率将高斯点分为动态、静态、不确定三类减少遮挡、间歇性运动导致的标签错误选择性采样视角多样性高的关键帧在保证融合效果的同时降低内存与计算开销有效恢复被误判为动态的静态高斯点。【多视图贝叶斯融合图】3. 自适应动态高斯优化保留静态场景完整性拒绝硬删除动态高斯点的粗暴方式采用软惩罚约束策略在抑制动态干扰的同时避免误删静态高斯点设计总损失函数融合光度相似性损失、动态惩罚损失与正则化损失对动态高斯点的不透明度施加惩罚弱化其对渲染的影响通过指数移动平均EMA平滑后验概率构建渲染掩码仅让可靠的高斯点参与监督避免短期波动导致的优化误差采用高斯金字塔分层优化从低分辨率到高分辨率逐步优化参数先稳定粗几何结构再细化细节提升训练效率与重建质量。【自适应动态惩罚优化图】PART/3实验实验验证多数据集登顶精度与鲁棒性双优研究团队在TUM RGB-D、BONN RGB-D 动态、OpenLoris-Scene三大公开数据集上开展实验将 BDGS-SLAM 与 Photo-SLAM、SplaTAM、DG-SLAM、ESLAM 等主流 SOTA 方法对比从位姿估计、重建质量、计算效率三个维度验证性能实验基于 NVIDIA RTX 4090 GPU 完成。1. 位姿估计ATE 显著降低跟踪更稳定以绝对轨迹误差ATE为核心指标BDGS-SLAM 在所有数据集上均实现最低的平均 ATE大幅压制动态干扰导致的跟踪漂移TUM 数据集平均 ATE 仅 0.0247m较第二名 DG-SLAM0.0441m提升 43.9%BONN 数据集面对快速移动的多人、物体平均 ATE0.0711m在 syn2、ball2 等超高难度序列中仍保持稳定跟踪OpenLoris-Scene 数据集在真实办公场景的长期动态交互中平均 ATE0.075m远优于 Co-SLAM、ESLAM 等方法。【TUM 数据集 ATE 测量结果表】【BONN 数据集 ATE 测量结果表】2. 重建质量高保真无伪影静态场景完整性拉满采用 PSNR峰值信噪比、SSIM结构相似性、LPIPS感知损失评估重建质量BDGS-SLAM 实现PSNR/SSIM 双高、LPIPS 最低重建结果无重影、模糊等伪影静态细节保留完整TUM 数据集平均 PSNR23.54dB、SSIM0.900、LPIPS0.159较 DG-SLAM 分别提升 5.4%、12.6%、14.5%BONN 数据集平均 PSNR23.33dB、SSIM0.940在动态物体密集区域仍能清晰重建背景墙、地面等静态结构可视化结果显示BDGS-SLAM 能有效避免其他方法常见的伪影、空洞问题即使在动态物体遮挡区域也能恢复完整的静态场景。【BONN 数据集渲染结果定性对比图】【TUM 数据集重建质量指标表】【BONN 数据集重建质量指标表】3. 计算效率实时性优异适配工业部署BDGS-SLAM 在保证高精度的同时实现了出色的计算效率核心模块耗时优化显著跟踪模块平均每帧仅 81.4ms为所有对比方法中最快甚至优于专注效率的 DG-SLAM89.2ms整体平均每帧耗时 565.3ms约 1.77FPS支持近实时运行且语义分割模块异步运行可进一步通过轻量化检测器提升速度内存占用约 8GB在常规工业级 GPU 上即可部署具备实际应用价值。【TUM 数据集运行时间对比表】4. 消融实验三大模块缺一不可为验证各核心模块的作用团队开展消融实验结果显示移除贝叶斯滤波TUM 数据集 ATE 骤升至 0.3562m动态高斯点识别失效位姿漂移严重移除多视图概率更新BONN 数据集 ATE 达 0.3222m标签误判增加重建伪影显著移除高斯建图优化虽位姿估计较稳定但渲染结果噪声大、静态结构不完整仅整合所有模块的完整版本能实现精度与鲁棒性的最优平衡。【消融实验结果表】PART/4创新价值与应用前景核心创新首次将贝叶斯滤波融入 3DGS-SLAM 的跟踪管线实现高斯点的动态概率推断突破传统确定性标签的局限提出带指数衰减的多视图概率更新机制有效恢复误删静态高斯点解决了动态场景下的地图完整性问题设计自适应软惩罚优化策略在抑制动态干扰的同时保留静态场景结构从根本上减少渲染伪影构建紧耦合的跟踪 - 建图架构让建图模块的标签更新直接优化跟踪跟踪结果实时指导建图形成闭环反馈。应用前景BDGS-SLAM 凭借在动态环境下的鲁棒跟踪与高保真重建能力可广泛应用于服务机器人导航、AR/VR 场景构建、智能监控、自主驾驶等领域尤其适用于商场、办公室、街道等动态物体密集的现实场景为智能系统的环境感知提供了更可靠的技术支撑。PART/5总结BDGS-SLAM 作为一款专为动态环境设计的 3D 高斯溅射 SLAM 框架通过贝叶斯滤波、多视图概率更新与自适应优化的有机融合成功解决了传统 3DGS-SLAM 在动态场景中的跟踪漂移与重建伪影问题在多个公开数据集上实现了 SOTA 性能兼顾了精度、鲁棒性与计算效率。未来研究团队将进一步优化系统通过集成轻量化语义分割网络、开发内存高效的长期动态场景理解模块提升 BDGS-SLAM 的实时性与泛化能力推动其在更多实际场景的落地应用。这一研究不仅为动态 SLAM 技术的发展提供了新的思路也进一步挖掘了 3D 高斯溅射技术在复杂环境中的应用潜力为智能感知领域的技术升级奠定了坚实基础。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测