DiskChunGS: Large-Scale 3D Gaussian SLAM Through Chunk-Based Memory Management

📄 arXiv: 2511.23030 📥 PDF

作者: Casimir Feldmann, Maximum Wilder-Smith, Vaishakh Patil, Michael Oechsle, Michael Niemeyer, Keisuke Tateno, Marco Hutter

分类: cs.RO, cs.CV

发布日期: 2026-06-12

💡 一句话要点

提出DiskChunGS以解决3D高斯SLAM的内存限制问题

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

关键词: 3D高斯SLAM 内存管理 外存技术 场景重建 自动驾驶 机器人导航 增强现实

📋 核心要点

  1. 现有的3D高斯SLAM方法受到GPU内存容量的限制，无法处理大规模环境，导致重建效果不理想。
  2. DiskChunGS通过外存管理，将场景划分为空间块，仅在GPU内存中保留活动区域，从而实现了大规模重建。
  3. 在KITTI数据集上，DiskChunGS成功完成所有11个序列，且在视觉质量上优于现有方法，展示了其有效性。

📝 摘要（中文）

近年来，3D高斯点云（3DGS）在新视图合成和实时渲染方面取得了显著进展。然而，将3DGS与SLAM系统结合时面临着根本性的可扩展性限制，现有方法受限于GPU内存容量，导致重建仅限于小规模环境。本文提出了DiskChunGS，一个可扩展的3DGS SLAM系统，通过外存管理的方法将场景划分为空间块，仅在GPU内存中维护活动区域，同时将非活动区域存储在磁盘上。我们的架构与现有的SLAM框架无缝集成，支持姿态估计和回环闭合，实现了大规模的全局一致重建。我们在室内场景（Replica、TUM-RGBD）、城市驾驶场景（KITTI）和资源受限的Nvidia Jetson平台上验证了DiskChunGS。我们的算法在完成所有11个KITTI序列时没有出现内存失败，并且实现了更优的视觉质量，证明了算法创新可以克服以往3DGS SLAM方法的内存限制。

🔬 方法详解

问题定义：本文旨在解决现有3D高斯SLAM方法在大规模环境下的内存限制问题。现有方法由于GPU内存容量的约束，无法有效重建较大的场景，导致性能下降。

核心思路：DiskChunGS的核心思路是采用外存管理技术，将场景划分为多个空间块，仅在GPU内存中保留当前活动的区域，而将不活跃的区域存储在磁盘上，从而突破内存限制，实现大规模重建。

技术框架：DiskChunGS的整体架构包括场景分块、内存管理、姿态估计和回环闭合等模块。系统通过动态加载和卸载场景块，确保GPU内存的高效利用，同时保持实时性能。

关键创新：DiskChunGS的主要创新在于其独特的外存管理策略，使得SLAM系统能够在不牺牲性能的情况下处理大规模场景。这一方法与传统的内存限制方法有本质区别，显著提高了可扩展性。

关键设计：在设计中，DiskChunGS采用了高效的空间块划分算法，并结合了优化的内存管理策略，确保在GPU内存不足时能够平滑地切换到磁盘存储。此外，系统还优化了姿态估计和回环闭合的算法，以提高整体重建质量。

📊 实验亮点

在实验中，DiskChunGS成功完成了所有11个KITTI序列，且没有出现内存失败，展示了其在大规模环境下的稳定性和可靠性。此外，DiskChunGS在视觉质量上优于现有的3DGS SLAM方法，证明了其在性能上的显著提升。

🎯 应用场景

DiskChunGS在室内和城市驾驶等多种场景中具有广泛的应用潜力，能够为自动驾驶、机器人导航和增强现实等领域提供高效的环境重建解决方案。其突破性的内存管理方法将推动SLAM技术在更大规模和复杂环境中的应用，具有重要的实际价值和未来影响。

📄 摘要（原文）

Recent advances in 3D Gaussian Splatting (3DGS) have demonstrated impressive results for novel view synthesis with real-time rendering capabilities. However, integrating 3DGS with SLAM systems faces a fundamental scalability limitation: methods are constrained by GPU memory capacity, restricting reconstruction to small-scale environments. We present DiskChunGS, a scalable 3DGS SLAM system that overcomes this bottleneck through an out-of-core approach that partitions scenes into spatial chunks and maintains only active regions in GPU memory while storing inactive areas on disk. Our architecture integrates seamlessly with existing SLAM frameworks for pose estimation and loop closure, enabling globally consistent reconstruction at scale. We validate DiskChunGS on indoor scenes (Replica, TUM-RGBD), urban driving scenarios (KITTI), and resource-constrained Nvidia Jetson platforms. Our method uniquely completes all 11 KITTI sequences without memory failures while achieving superior visual quality, demonstrating that algorithmic innovation can overcome the memory constraints that have limited previous 3DGS SLAM methods.