Pocket-SLAM: Rendering-Area-Aware Pruning for Memory-Efficient 3DGS-SLAM

📄 arXiv: 2606.24796v1 📥 PDF

作者: Leshu Li, Jie Peng, Yang Zhao

分类: cs.CV

发布日期: 2026-06-23

备注: 2026 IEEE International Conference on Robotics and Automation(ICRA)

🔗 代码/项目: GITHUB

💡 一句话要点

提出渲染区域感知修剪以解决3DGS-SLAM内存效率问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D高斯点云 同时定位与地图构建 内存效率 渲染区域感知 自动驾驶 机器人导航 增强现实

📋 核心要点

  1. 现有的3DGS-SLAM方法在处理大规模场景时，内存消耗随着高斯点的积累而不断增加，导致内存效率低下。
  2. 本文提出了一种渲染区域感知的修剪策略，依据高斯点对渲染区域的贡献进行选择性修剪，有效减少内存占用。
  3. 在EuRoC和KITTI数据集上的实验结果显示，该方法实现了超过60%的内存减少和2倍以上的帧率提升，同时保持了高精度的定位和映射。

📝 摘要（中文）

3D高斯点云渲染（3DGS）在同时定位与地图构建（SLAM）中因其捕捉细粒度几何特征和合成新视图的能力而受到广泛关注。然而，在大规模场景（如自动驾驶）中，3DGS-SLAM面临内存消耗不断增加的关键限制，导致内存效率低下，限制了其应用。本文提出了一种渲染区域感知的修剪策略，选择性地根据高斯点对有效渲染区域的贡献进行修剪，而不仅仅依赖于不透明度或梯度幅度等高斯级启发式方法。评估结果表明，该方法在EuRoC和KITTI数据集上显著优于现有修剪方法，实现了超过60%的内存减少和2倍以上的帧率提升，同时保持定位和映射的准确性。

🔬 方法详解

问题定义：本文旨在解决3DGS-SLAM在大规模场景中内存消耗不断增加的问题。现有方法在高斯点积累时，内存效率低下，限制了其实际应用。

核心思路：提出了一种渲染区域感知的修剪策略，依据高斯点对有效渲染区域的贡献进行修剪，而非仅依赖传统的高斯级启发式方法。这种方法直接针对内存冗余的来源，旨在降低运行时的内存占用。

技术框架：整体架构包括数据采集、渲染区域分析和高斯点修剪三个主要模块。首先，通过分析渲染区域来评估每个高斯点的贡献，然后根据贡献值进行选择性修剪，最后更新高斯点集以优化内存使用。

关键创新：最重要的创新点在于引入了渲染区域感知的修剪策略，这与现有方法的本质区别在于不再单纯依赖不透明度或梯度等特征，而是关注高斯点对实际渲染效果的贡献。

关键设计：在参数设置上，修剪策略的阈值根据场景复杂度动态调整，损失函数设计为平衡内存占用与渲染质量，确保在降低内存的同时保持高精度的定位和映射。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，本文提出的渲染区域感知修剪方法在EuRoC和KITTI数据集上实现了超过60%的内存减少，并且帧率提升超过2倍，显著优于现有的修剪方法。这些结果证明了该方法在大规模户外场景中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等需要实时处理大规模环境的场景。通过提高3DGS-SLAM的内存效率，该方法能够更好地适应实际应用中的资源限制，推动相关技术的广泛应用和发展。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has garnered significant attention in Simultaneous Localization and Mapping (SLAM) due to its advances in capturing fine-grained geometry features and synthesizing novel views. For SLAM in large-scale scenes, such as autonomous driving, 3DGS-SLAM faces a critical limitation: memory consumption increases continuously over time as Gaussian points accumulate, leading to poor memory efficiency and limiting its applicability. In this work, we propose a rendering-area-aware pruning strategy that selectively removes Gaussians based on their contribution to the effective rendering area, rather than solely relying on Gaussian-level heuristics such as opacity or gradient magnitude. This perspective directly targets the sources of memory redundancy, effectively reducing the peak memory footprint of 3DGS-SLAM during runtime. Evaluations on the EuRoC and KITTI datasets demonstrate that our method consistently outperforms existing pruning approaches in large-scale outdoor scenes, achieving over 60% memory reduction and more than 2 times FPS improvement while preserving localization and mapping accuracy. These results highlight rendering-area-aware pruning as a promising direction for scaling 3DGS-SLAM to real-world autonomous driving scenarios. Our code is publicly available at https://github.com/UMN-ZhaoLab/Pocket-SLAM.git.