Gaussian-LIC｜SLAM 點雲圖鑑

Tightly coupled continuous-time LiDAR-inertial-camera odometry feeds LiDAR and triangulated points into an online 3DGS map for real-time photorealistic mapping.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

Gaussian-LIC 的技術屬性
感測輸入	3D LiDAR、IMU、monocular camera
原文測試平台	未記錄
狀態估計	continuous-time factor-graph sliding-window optimization (Coco-LIC) with point-to-map LiDAR, frame-to-map visual and inertial factors
資料關聯	Coco-LIC odometry with point-to-map LiDAR factors, frame-to-map visual factors and inertial factors (Sec. III-B); a separate VINS-Mono-style visual sliding window tracks Shi-Tomasi corners with KLT only to triangulate SfM points for Gaussian initialization; mapping minimizes an L1 plus D-SSIM re-rendering loss with a per-image exposure affine matrix (Eq. 9)
時間表示	continuous-time (Coco-LIC)
去畸變	not described in the full text (v3); poses come from the continuous-time Coco-LIC trajectory optimized every 0.1 s
迴圈閉合	none reported
全域最佳化	no pose graph, global BA or loop closure; the Gaussian map is optimized at each keyframe on K = 100 keyframes sampled from all keyframes to limit forgetting
地圖表示	3D Gaussians initialized from colourized LiDAR points plus triangulated visual SfM points; sky and exposure modelling
先驗資訊	none
可輸出幾何	3D Gaussian map (with sky Gaussians) and rendered images; neither map geometric accuracy nor trajectory accuracy is quantified; authors list improving geometric reconstruction quality as future work
計算需求	desktop with NVIDIA RTX 3090 (24 GB), Intel Core i7-8700 (3.2 GHz) and 32 GB RAM; C++/CUDA with LibTorch and ROS; on sequence f0 (105 s) tracking and mapping both finish in 105 s (198 s without the acceleration strategies), the only real-time method compared

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

原文使用的設備
類別	型號（原文寫法）	角色	資料集	原文規格	出處
LiDAR	solid-state LiDAR (model not named)	資料集感測器	FAST-LIVO dataset	used for Gaussian initialization and LiDAR factors	(Lang et al., 2025, Sec. IV-A2)
LiDAR	solid-state LiDAR (model not named)	資料集感測器	R3LIVE dataset	used for Gaussian initialization and LiDAR factors	(Lang et al., 2025, Sec. IV-A2)
LiDAR	mechanical spinning LiDAR (model not named)	資料集感測器	MCD dataset	large-scale MCD dataset; segments of tuhh_day_02, tuhh_day_03 and tuhh_day_04	(Lang et al., 2025, Sec. IV-A2)
慣性量測單元（IMU）	IMU (model not named)	資料集感測器	FAST-LIVO, R3LIVE and MCD datasets	inertial factors in Coco-LIC	(Lang et al., 2025, Sec. III-B; Sec. IV-A2)
相機	RGB camera (model not named)	資料集感測器	FAST-LIVO dataset; R3LIVE dataset	640x512 images; only left images used when stereo is provided	(Lang et al., 2025, Sec. IV-A2)
相機	RGB camera (model not named)	資料集感測器	MCD dataset	640x480 images; only left images used when stereo is provided	(Lang et al., 2025, Sec. IV-A2)
運算硬體	NVIDIA RTX 3090	執行運算平台	未標示	24 GB VRAM	(Lang et al., 2025, Sec. IV-A1)
運算硬體	Intel Core i7-8700	執行運算平台	未標示	3.2 GHz CPU, 32 GB RAM	(Lang et al., 2025, Sec. IV-A1)

作者報告的優勢與限制

優勢

Robust tracking where RGB-only and RGB-D 3DGS baselines drift or fail (Sec. IV-B1)
Real-time processing within sensor duration (Sec. IV-B3)

限制

No quantitative trajectory accuracy (ATE) or map geometric accuracy is reported; the tracking comparison is qualitative (Sec. IV-B1)
Offline COLMAP plus 3DGS reaches higher PSNR on f0 (32.56 versus 29.89 dB) though not in real time (Table II)
Authors plan to improve odometry with the Gaussian map and to improve geometric reconstruction quality (Sec. V)

營建工程相關證據

論文未在營建場域測試；資料為 FAST-LIVO、R3LIVE（固態 LiDAR）與 MCD（旋轉式 LiDAR）序列。

原文驗證環境：公開基準

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 4 個比較組，合計 37 筆紀錄。

Lang et al., 2025 · Table I 本方法 24 筆

指標資料集與序列

表格設定（擷取紀錄原文）：Rendering quality; compared methods mapped with ground-truth poses (MCD) or Gaussian-LIC estimated poses (FAST-LIVO, R3LIVE); FAST-LIVO and R3LIVE use a solid-state LiDAR, MCD a spinning LiDAR (Lang et al., 2025, Table I)

PSNR (dB)，FAST-LIVO · f0 hku2

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Lang et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：dB；場景：real-world indoor and outdoor sequences (FAST-LIVO, R3LIVE, MCD)

資料來源作者報告值(Lang et al., 2025, Table I)

數值與出處
方法（原文寫法）	報告值	出處
NeRF-SLAM (train view)	25.56 dB	(Lang et al., 2025, Table I)
MonoGS (train view)	23.58 dB	(Lang et al., 2025, Table I)
SplaTAM with LiDAR pseudo RGB-D (train view)	25.51 dB	(Lang et al., 2025, Table I)
Gaussian-LIC (train view)本方法原文提出	29.89 dB	(Lang et al., 2025, Table I)
Gaussian-LIC (novel view)本方法原文提出	29.28 dB	(Lang et al., 2025, Table I)

Lang et al., 2025 · Table II 本方法 8 筆

指標

資料集與序列FAST-LIVO · f0 hku2 (duration 105 s)

表格設定（擷取紀錄原文）：Runtime on sequence f0 (105 s of data) with each method's own estimated poses; real time means finishing within the data duration (Lang et al., 2025, Table II)

Tracking time (s)，FAST-LIVO · f0 hku2 (duration 105 s)

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

不適用

這些是 Lang et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：s；場景：FAST-LIVO sequence hku2 (f0); scene type not described in the paper

資料來源作者報告值(Lang et al., 2025, Table II)

數值與出處
方法（原文寫法）	報告值	出處
NeRF-SLAM硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	105 s	(Lang et al., 2025, Table II)
MonoGS硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	181 s	(Lang et al., 2025, Table II)
SplaTAM硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	954 s	(Lang et al., 2025, Table II)
COLMAP + 3DGS (offline)硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	無數值不適用註記（擷取紀錄）：不適用 (offline batch pipeline)	(Lang et al., 2025, Table II)
Gaussian-LIC本方法原文提出硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	105 s	(Lang et al., 2025, Table II)
Gaussian-LIC w/o acceleration本方法原文提出硬體：NVIDIA RTX 3090 (24 GB) + Intel Core i7-8700 (3.2 GHz), 32 GB RAM	105 s	(Lang et al., 2025, Table II)

Lang et al., 2025 · Table III 本方法 4 筆

指標PSNR (dB)

資料集與序列FAST-LIVO · f0 hku2

表格設定（擷取紀錄原文）：Ablation on sequence f0 (Lang et al., 2025, Table III)

PSNR (dB)，FAST-LIVO · f0 hku2

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Lang et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：dB；場景：FAST-LIVO sequence hku2 (f0); scene type not described in the paper

資料來源作者報告值(Lang et al., 2025, Table III)

數值與出處
方法（原文寫法）	報告值	出處
Gaussian-LIC w/o exposure modelling本方法原文提出	29.77 dB	(Lang et al., 2025, Table III)
Gaussian-LIC w/o sky modelling本方法原文提出	29.76 dB	(Lang et al., 2025, Table III)
Gaussian-LIC w/o visual SFM points本方法原文提出	29.7 dB	(Lang et al., 2025, Table III)
Gaussian-LIC full本方法原文提出	29.89 dB	(Lang et al., 2025, Table III)

Xie et al., 2025 · ICCV Supp. Table 6 本方法 1 筆

指標Mapping FPS

資料集與序列not stated · not stated

表格設定（擷取紀錄原文）：Mapping FPS; sequence not stated; Gaussian-LIC value copied from its preprint (marked *), which the GS-LIVM text says ran on an RTX 3090; added by second checker from the ICCV supplement (Xie et al., 2025, ICCV Supp. Table 6)

Mapping FPS，not stated · not stated

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

未報告（沒有數值，不是 0）

這些是 Xie et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：fps；場景：not stated

資料來源作者報告值(Xie et al., 2025, ICCV Supp. Table 6)

數值與出處
方法（原文寫法）	報告值	出處
NeRF-SLAM硬體：not stated	3.1 fps	(Xie et al., 2025, ICCV Supp. Table 6)
MonoGS硬體：not stated	5.3 fps	(Xie et al., 2025, ICCV Supp. Table 6)
3DGS硬體：not stated	無數值未報告註記（擷取紀錄）：not reported ('-' in table)	(Xie et al., 2025, ICCV Supp. Table 6)
Gaussian-LIC* (preprint result)本方法硬體：RTX 3090 GPU (as stated in the GS-LIVM supplement text)	10 fps	(Xie et al., 2025, ICCV Supp. Table 6)
Ours原文提出硬體：Intel Core i9-13900HX (5.50 GHz), 64 GB RAM, NVIDIA RTX 4060 Laptop 8 GB GPU	12.56 fps	(Xie et al., 2025, ICCV Supp. Table 6)

來源

Lang et al., 2025
Xiaolei Lang, Laijian Li, Chenming Wu, Chen Zhao, Lina Liu, Yong Liu, Jiajun Lv, Xingxing Zuo（2025）Gaussian-LIC: Real-Time Photo-Realistic SLAM with Gaussian Splatting and LiDAR-Inertial-Camera Fusion2025 IEEE International Conference on Robotics and Automation (ICRA), pp. 8500-8507
DOI 10.1109/icra55743.2025.11128712 arXiv 2404.06926 程式碼
同儕審查已出版已讀全文近十年查證後修正

預印本：arXiv:2404.06926 (v3, 2025-08-20; latest HTML read) https://arxiv.org/abs/2404.06926
後續延伸版：Gaussian-LIC2: LiDAR-Inertial-Camera Gaussian Splatting SLAM (arXiv:2507.04004; IJRR 2026 acceptance claimed only in the repository README, unverified) https://arxiv.org/abs/2507.04004

程式碼：https://github.com/APRIL-ZJU/Gaussian-LIC。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

技術屬性

使用設備

作者報告的優勢與限制

優勢

限制

營建工程相關證據

報告的性能數據

Lang et al., 2025 · Table I 本方法 24 筆

PSNR (dB)，FAST-LIVO · f0 hku2

Lang et al., 2025 · Table II 本方法 8 筆

Tracking time (s)，FAST-LIVO · f0 hku2 (duration 105 s)

Lang et al., 2025 · Table III 本方法 4 筆

PSNR (dB)，FAST-LIVO · f0 hku2

Xie et al., 2025 · ICCV Supp. Table 6 本方法 1 筆

Mapping FPS，not stated · not stated

來源

相關版本