MMD-SLAM: Structure-Enhanced Multi-Meta Gaussian Distribution-Guided Visual SLAM

📄 arXiv: 2606.19874v1 📥 PDF

作者: Fan Zhu, Ziyu Chen, Peichen Liu, Yifan Zhao, Zhisong Xu, Hui Zhu, Hongxing Zhou, Sixun Liu, Chunmao Jiang

分类: cs.RO, cs.CV

发布日期: 2026-06-18

备注: ICRA 2026

💡 一句话要点

提出MMD-SLAM以解决结构信息利用不足的问题

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

关键词: 视觉SLAM 高斯分布 结构信息 点线融合 多元高斯表示 自动驾驶 机器人导航 增强现实

📋 核心要点

  1. 现有视觉SLAM方法未能充分利用结构信息，导致渲染质量低和地图不一致。
  2. MMD-SLAM通过引入点线融合策略和多元高斯表示，增强了结构信息的利用，提升了跟踪和映射的鲁棒性。
  3. 实验结果显示，MMD-SLAM在ScanNet上将ATE RMSE降低了48.56%，在Replica上PSNR提高了5.71%，表现出色。

📝 摘要（中文）

3D Gaussian Splatting（3DGS）显著提升了新视角合成和高保真场景重建的能力，推动了基于3DGS的视觉同时定位与地图构建（SLAM）方法的发展。然而，现有系统未能充分利用底层结构信息，限制了渲染质量并导致地图不一致。为了解决这些问题，我们提出了MMD-SLAM，一个增强结构信息的视觉SLAM框架，利用Atlanta World（AW）假设指导多元高斯表示以实现逼真的映射。我们首先引入点线融合策略进行位姿优化，结合3D线段以提高跟踪的鲁棒性并提供额外的映射约束。其次，我们设计了具有主导方向的多元高斯表示，明确编码来自AW假设的结构先验。最后，我们提出了一种高斯演化策略，适应场景几何并将结构线索纳入全局优化。大量实验表明，这些创新使MMD-SLAM在跟踪精度和映射质量上达到最先进的性能。

🔬 方法详解

问题定义：本论文旨在解决现有视觉SLAM方法在结构信息利用方面的不足，导致渲染质量低和地图不一致的问题。

核心思路：提出MMD-SLAM框架，通过引入点线融合和多元高斯表示，充分利用结构信息以提升跟踪和映射的精度和鲁棒性。

技术框架：MMD-SLAM的整体架构包括三个主要模块：1）点线融合策略用于位姿优化；2）多元高斯表示用于编码结构先验；3）高斯演化策略用于全局优化。

关键创新：最重要的创新在于引入了点线融合策略和具有主导方向的多元高斯表示，这与传统方法相比，显著增强了对结构信息的利用。

关键设计：在参数设置上，采用了优化的损失函数以平衡跟踪和映射的精度，网络结构上则结合了3D线段信息以提供额外约束。整体设计旨在提高系统的鲁棒性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MMD-SLAM在实验中表现出色，相较于基线MonoGS，在ScanNet数据集上实现了48.56%的ATE RMSE降低，在Replica数据集上PSNR提高了5.71%。这些结果表明，MMD-SLAM在跟踪精度和映射质量上均达到了最先进的水平。

🎯 应用场景

MMD-SLAM具有广泛的应用潜力，特别是在自动驾驶、机器人导航和增强现实等领域。通过提升视觉SLAM的精度和鲁棒性，该研究能够为实时环境感知和交互提供更可靠的支持，推动相关技术的进步与应用。未来，MMD-SLAM可能会在更复杂的动态环境中展现出更大的价值。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has significantly boosted novel view synthesis and high-fidelity scene reconstruction, expanding the potential of 3DGS-based Visual Simultaneous Localization and Mapping (SLAM) methods. However, most existing systems fail to fully exploit the underlying structural information, which limits rendering quality and often leads to inconsistent maps. To address these limitations, we propose MMD-SLAM, a structure-enhanced Visual SLAM framework that leverages the Atlanta World (AW) assumption to guide a Multi-Meta Gaussian representation for photorealistic mapping. First, we introduce a point-line fusion strategy for pose optimization, where 3D line segments are incorporated to improve tracking robustness and provide additional constraints for mapping. Second, we design a Multi-Meta Gaussian representation with dominant directions, explicitly encoding structural priors from the AW hypothesis. Finally, we propose a Gaussian evolution strategy that adapts to scene geometry and incorporates structural cues into global optimization. Extensive experiments demonstrate that these innovations enable MMD-SLAM to achieve state-of-the-art performance in both tracking accuracy and mapping quality. e.g., our method achieves a 48.56% reduction in ATE RMSE on ScanNet and a 5.71% improvement in PSNR on Replica, compared with MonoGS.