2025.07.09 - #41 - PanoGS, SpatialTrackerV2, LiteReality, WildGS-SLAM, HI-SLAM2, MASt3r-SLAM, MAGiC-SLAM, MNE-SLAM

[changh95]

Interesting papers

PanoGS: Gaussian-based Panoptic Segmentation for 3D Open Vocabulary Scene Understanding

• https://zju3dv.github.io/panogs/

SpatialTrackerV2: 3D Point Tracking Made Easy

• https://spatialtracker.github.io

LiteReality: Graphics-Ready 3D Scene Reconstruction from RGB-D Scans

• https://litereality.github.io

SNS에서 본 멋진거

[james-joobs]

🔍 2025년 Neural SLAM 논문 리뷰

🦎 WildGS-SLAM

Monocular Gaussian Splatting SLAM in Dynamic Environments

• 핵심: 단안 RGB 입력만으로 동적 물체를 제거하며 3D Gaussian 맵과 카메라 궤적을 동시 추정
• 기법: DINOv2 기반 feature→MLP로 per-pixel uncertainty 예측 → tracking 단계 DBA·mapping loss에 가중치로 사용해 움직이는 객체 영향 차단
• 결과: Wild-SLAM Dataset 등 실내·외 시퀀스에서 artefact 없는 뷰 합성·추적 오차 최소화, 기존 Splat-SLAM 대비 동적 장면 강인성 ↑
• 프로젝트 페이지
• arXiv 링크
• GitHub 링크

---

🧩 HI‑SLAM2

Geometry-Aware Gaussian SLAM for Fast Monocular Scene Reconstruction

• 핵심: RGB 입력만으로 geometry 정확성과 렌더링 품질 동시 달성

• 기법:
  ▸ Dense SLAM front-end로 depth proxy 추정 → 3D Gaussian 초기화
      ▸ Scale-grid alignment(2 × 2 depth scale)으로 단안 depth 왜곡 보정
      ▸ Sim(3) 기반 PGBA·지도 변형으로 loop closure + 글로벌 일관성 확보

• 특징: Replica·ScanNet 등 다양한 데이터셋에서 RGB-D 방식까지 능가하는 기하/이미지 품질, 온라인 업데이트 속도 향상

• 프로젝트 페이지

• arXiv 링크

---

🤖 MASt3R‑SLAM

Real-Time Dense SLAM with 3D Reconstruction Priors

• 핵심: MASt3R 두-뷰 3D prior를 바탕으로 15 FPS 실시간 dense SLAM 구현
• 기법 :
  ▸ Iterative projective matching으로 pointmap 대응 속도 ↑
      ▸ Ray-direction 에러 기반 pose 추정 → local fusion → Sim(3) PGBA
• 특징: 캘리브레이션 불명확·일그러진 카메라 모델도 처리, loop-closure 포함 전역 최적화로 글로벌 정합 보장
• GitHub 링크
• 프로젝트 페이지

---

🎥 SLAM3R

Real-Time Dense Scene Reconstruction from Monocular RGB Videos

• 핵심: 카메라 파라미터를 풀지 않고 단안 RGB 비디오에서 20 FPS+ dense pointcloud 생성

• 기법 :
  ▸ 윈도우별 I2P (Image-to-Points) 네트워크가 로컬 3D pointmap 회복
      ▸ L2W (Local-to-World) 네트워크가 전역 좌표계로 점진적 정합

• 특징: 광범위한 벤치마크에서 정확·완전성 동시 달성, real-time 추론으로 기존 dense SLAM 보다 속도-품질 균형 우수

• GitHub 링크

• Youtuebe 링크

---

🌐 MAGiC‑SLAM

Multi-Agent Gaussian Globally Consistent SLAM

• 핵심: 여러 에이전트의 local map을 합쳐 글로벌 정합을 구현하는 Gaussian SLAM

• 기법:
  3D Gaussian sub-map 기반 → 중앙 서버가 loop closure & merge 수행
  ▸ 에이전트별 sub-map → Rigidly-deformable 3DGS로 map merging
      ▸ Foundational vision model기반 loop detect + Sim(3) pose graph BA

• 결과: 센티미터급 ATE, novel-view PSNR 23 dB, N 대 에이전트 확장 가능하며 속도 ↑

• 프로젝트 페이지

• arXiv 링크

---

🚗 MNE‑SLAM

Multi-Agent Neural SLAM for Mobile Robots

• 핵심: 완전 분산식 다중 로봇 NeRF/GS SLAM 프레임워크와 INS 실내 데이터셋 제안

• 기법 :
  ▸ Peer-to-peer parameter 교환만으로 통신량 ↓
      ▸ Intra- ↔ Inter-loop closure로 개별 · 전역 정합 동시 달성
      ▸ 신경 sub-map 융합을 위한 P2P distillation

• 특징: 대규모 복도(≈ 1000 m²) 실험에서 단일·다중 시나리오 모두 정밀 맵/궤적, 통신 효율 및 실시간성 검증

• CVPR Poster 링크