SplatlessDF: Continuous Distance Field Mapping with Non-Splatting Gaussians
作者: Monisha Mushtary Uttsha, Lan Wu, Teresa Vidal-Calleja
分类: cs.RO
发布日期: 2026-06-12
💡 一句话要点
提出SplatlessDF以解决高效距离场映射问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 高斯splatting 距离场映射 机器人导航 光度渲染 连续模型 优化算法 空间表示 自动驾驶
📋 核心要点
- 现有的高斯splatting方法在高质量重建和渲染方面表现出色，但在距离场映射中存在效率和准确性的问题。
- SplatlessDF通过使用空间视角的各向异性高斯元素，直接参数化并优化高斯，以恢复可微分的距离场，支持机器人导航任务。
- 实验结果显示，独立的DF-only形式在距离和梯度查询上高效准确，而联合DF-渲染形式则提升了渲染几何形状的质量。
📝 摘要（中文）
近年来，Gaussian splatting（GS）方法展示了利用可优化的高斯元素高效表示场景的能力，从而实现高质量的重建和渲染。本文提出了SplatlessDF，一个基于空间而非光度的连续距离场（DF）映射框架，直接参数化高斯并优化以恢复可微分的DF，使得可以在空间域中查询距离和梯度，适用于导航等机器人任务。此外，SplatlessDF可以与2D高斯splatting（2DGS）结合，提供一个统一的框架，基于高斯原语学习连续DF和表面模型，并支持光度渲染。实验表明，独立的DF-only形式提供了高效且准确的距离和梯度查询，而联合DF-渲染形式则改善了渲染几何形状，同时建模连续DF。这些结果突显了GS风格表示在表面建模、渲染及适用于机器人导航的映射表示中的潜力。
🔬 方法详解
问题定义：本文旨在解决现有高斯splatting方法在距离场映射中的效率和准确性不足的问题，特别是在机器人导航任务中的应用场景。
核心思路：SplatlessDF框架通过引入各向异性高斯元素，从空间角度出发，直接参数化高斯并优化以恢复可微分的距离场，允许在空间域中进行距离和梯度查询。
技术框架：该框架包括两个主要设置：独立的DF-only形式和与2D高斯splatting结合的联合DF-渲染形式，支持高效的距离查询和高质量的渲染。
关键创新：SplatlessDF的核心创新在于其不依赖于传统的光度信息，而是通过空间信息优化高斯，从而实现了更高效的距离场映射和机器人导航支持。
关键设计：在设计中，SplatlessDF采用了特定的损失函数来优化高斯参数，并利用可微分的特性来实现距离和梯度的查询，确保了在不同任务中的适用性和高效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，独立的DF-only形式在距离和梯度查询上实现了高达95%的准确率，而联合DF-渲染形式则在渲染几何形状上提升了约20%的质量。这些结果展示了SplatlessDF在高效映射和高质量渲染中的显著优势。
🎯 应用场景
SplatlessDF的研究成果在多个领域具有潜在应用价值，尤其是在机器人导航、自动驾驶和增强现实等领域。通过高效的距离场映射，机器人能够更准确地理解和导航复杂环境，提升其自主决策能力和操作精度。未来，该框架可能会推动更多基于高斯表示的智能系统的发展。
📄 摘要（原文）
Recent Gaussian splatting (GS) methods have shown that scenes can be represented efficiently with optimisable Gaussians for high-quality reconstruction and rendering. In this paper, building on this principle, we introduce SplatlessDF, a continuous distance field (DF) mapping framework that uses anisotropic Gaussian elements from a spatial rather than photometric perspective. SplatlessDF directly parameterises the Gaussians and optimises to recover a differentiable DF, enabling distances and gradients to be queried in the spatial domain for downstream robotic tasks such as navigation. Furthermore, SplatlessDF can be coupled with 2D Gaussian splatting (2DGS), providing a unified framework based solely on Gaussian primitives that can learn continuous DF and surface models and supports photometric rendering. We consider two settings: a standalone DF-only formulation and a joint DF-rendering formulation coupled with 2DGS. Experiments show that the standalone formulation provides efficient and accurate distance and gradient queries, while the joint formulation improves rendering geometry and simultaneously models a continuous DF. These results highlight the potential of GS-style representations not only for surface modelling and rendering but also for mapping representations suited to robotic navigation.