LingGS: Decoupling Feed-Forward Geometry Prediction from Camera Tracking for High-Fidelity Gaussian SLAM

📄 arXiv: 2610.36853v1 📥 PDF

作者: Da Li, Yihan Zang, Ivan Viola, Zeyu Wang, Dominik Engel

分类: cs.CV, cs.GR

发布日期: 2026-10-27

备注: 10 pages, 4 figures

💡 一句话要点

提出LingGS以解决高保真高斯SLAM中的相机跟踪与几何预测问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 高斯SLAM 相机跟踪 几何预测 深度估计 流式3D模型 特征重投影 密集场景表示

📋 核心要点

  1. 现有单目RGB高斯SLAM方法在优化预算有限的情况下，难以同时实现高质量重建和准确的相机跟踪。
  2. 本文提出了一种结合学习几何先验与显式几何相机跟踪的在线系统，显著提升了相机跟踪的准确性。
  3. 在广泛的室内外数据集上进行的实验表明，该方法在重建质量上显著优于现有方法，性能提升明显。

📝 摘要（中文）

在有限的优化预算下，实现高质量重建和响应式相机跟踪对于单目RGB高斯喷溅SLAM仍然具有挑战性。本文提出了一种在线系统，通过结合学习的几何先验与显式几何相机跟踪，显著提高了跟踪精度。该系统利用冻结的流式3D基础模型作为虚拟RGB-D传感器，从单目视频中提供深度估计。显式几何求解器通过特征重投影估计相机运动，而流式高斯映射器将结果整合到密集场景表示中。实验表明，该方法在室内外数据集上显著提高了重建质量，单个RTX 4090上实现约7 FPS，吞吐量是现有SLAM系统的2-3倍。

🔬 方法详解

问题定义：本文旨在解决单目RGB高斯SLAM中相机跟踪与几何预测的耦合问题，现有方法在优化预算有限的情况下难以兼顾重建质量与跟踪精度。

核心思路：提出了一种在线系统，通过结合学习的几何先验与显式几何相机跟踪，利用冻结的3D基础模型提供深度估计，从而提高相机运动估计的准确性。

技术框架：整体架构包括三个主要模块：首先是虚拟RGB-D传感器，利用流式3D模型进行深度估计；其次是显式几何求解器，通过特征重投影估计相机运动；最后是流式高斯映射器，将观测结果整合到密集场景表示中。

关键创新：最重要的创新在于将学习的几何先验与显式几何相机跟踪相结合，显著提升了相机跟踪的准确性，与现有方法相比，提供了更高的重建质量和跟踪精度。

关键设计：在设计中，采用了冻结的流式3D基础模型作为深度估计的基础，显式几何求解器通过特征重投影优化相机运动，流式高斯映射器则负责将不同观测整合为密集的场景表示。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LingGS在单个RTX 4090上实现约7 FPS的处理速度，且在重建质量上显著优于现有SLAM系统，吞吐量提升达到2-3倍，展示了其在实际应用中的高效性与可靠性。

🎯 应用场景

该研究的潜在应用领域包括机器人导航、增强现实和虚拟现实等场景，能够在复杂环境中实现高效的实时重建与跟踪。未来，该方法有望推动SLAM技术在自动驾驶和智能监控等领域的应用，提升系统的智能化水平。

📄 摘要（原文）

Achieving high-quality reconstruction and responsive camera tracking remains challenging for monocular RGB Gaussian splatting SLAM under a limited optimization budget. We present an online system that addresses this challenge by combining learned geometric priors with explicit geometric camera tracking, which can substantially outperform learned camera prediction in terms of tracking accuracy. A frozen streaming 3D foundation model serves as a virtual RGB-D sensor, providing depth estimation from monocular video. An explicit geometric solver then estimates camera motion through feature reprojection, and a streaming Gaussian mapper integrates the resulting observations into a dense scene representation. We further show that geometric tracking improves camera pose accuracy across representative streaming geometry backbones, demonstrating the broader applicability of our approach. Extensive experiments on indoor and outdoor datasets show that our method significantly improves reconstruction quality over existing approaches, achieving about 7 FPS on a single RTX 4090 and delivering 2-3 times the throughput of the evaluated prior SLAM systems.