SLAM 點雲圖鑑Point clouds for construction
M-01 · 2024

SplaTAM

SplaTAM 以等向性、顏色不隨視角變化的三維高斯為唯一地圖。追蹤時固定高斯，只在剪影值大於 0.99 的已充分觀測像素上，以深度 L1 與權重減半的顏色 L1 最佳化位姿（以等速模型初始化）；建圖時依剪影與深度誤差新增高斯，並以重疊度最高的關鍵影格更新地圖。高斯初始位置直接取自 RGB-D 深度反投影，故幾何來源是量測深度。全文與補充資料都沒有三維表面精度指標，幾何只以渲染深度 L1 評估（ScanNet++ 新視角 2.07 cm、訓練視角 1.28 cm）。Replica、TUM-RGBD 與 ScanNet 的基準數值取自 Point-SLAM 論文而非重跑；在 TUM-RGBD 上平均 ATE 5.48 cm，仍不及特徵式 ORB-SLAM2 的 1.98 cm。在 RTX 3080 Ti 上每影格追蹤約 1.00 s、建圖約 1.44 s，並非即時。

里程計＋局部建圖近十年已讀全文同儕審查已出版學習式、神經隱式與高斯潑濺 SLAM

閱讀版本
arXiv v3 (16 Apr 2024) including supplementary material; CVF open-access CVPR 2024 paper (same content as the IEEE version, without supplement) checked: Tables 1 to 4 and 6 identical
全文取得途徑
arXiv 預印本
本頁內容

Dense RGB-D SLAM with isotropic 3D Gaussians, silhouette-guided tracking and densification, evaluated by rendering, depth L1 and ATE.

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。

感測輸入RGB-D
原文測試平台未記錄
狀態估計gradient-based camera pose optimization through differentiable splatting (constant-velocity initialization); map update over overlapping keyframes
資料關聯direct L1 depth + colour rendering losses on silhouette-masked (well-observed) pixels
時間表示discrete poses
去畸變不適用
迴圈閉合none
全域最佳化none
地圖表示isotropic 3D Gaussians with view-independent colour
先驗資訊none; Gaussians initialized by unprojecting sensor depth
可輸出幾何Gaussian map with rendered RGB and depth; geometry assessed only through rendered depth L1 against ground-truth depth (ScanNet++ 2.07 cm on novel views, 1.28 cm on training views); the full paper and supplement contain no 3D surface metric
計算需求RTX 3080 Ti: 1.00 s tracking and 1.44 s mapping per frame on Replica room0 (40 and 60 iterations); SplaTAM-S 0.19 s and 0.33 s (Table 6); rendering up to 400 FPS at 876x584 (Fig. 1)

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。

類別型號（原文寫法）角色資料集原文規格出處
相機DSLR (model not stated in the paper)資料集感測器ScanNet++ScanNet++ DSLR captures with complete dense trajectories and a second capture loop for novel views(Keetha et al., 2024, Sec. 4)
RGB-D 相機iPhone (commodity camera and time-of-flight sensor)方法輸入未標示Qualitative online reconstructions shown on the project website only; no quantitative evaluation(Keetha et al., 2024, Supplementary S1)
運算硬體NVIDIA RTX 3080 Ti執行運算平台未標示Runtime comparison on Replica room0(Keetha et al., 2024, Table 6; Sec. 5)

論文圖片

只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。

作者報告的優勢與限制

優勢

  • Sub-centimetre localization claims in texture-less real scenes (Fig. 1 caption)
  • Faster optimization than implicit representations thanks to rasterization (Sec. 1)

限制

  • Sensitive to motion blur, large depth noise and aggressive rotation (Limitations)
  • Requires known intrinsics and dense depth (Limitations)
  • Scaling to large scenes left to future work (Limitations)
  • Feature-based ORB-SLAM2 outperforms SplaTAM on TUM-RGBD (1.98 vs 5.48 cm average ATE) and no dense method reaches below 10 cm on original ScanNet (Table 1; Sec. 5)
  • Replica, TUM-RGBD and ScanNet baseline numbers are copied from Point-SLAM rather than rerun (Sec. 4; Table 1 caption)
  • (inference) Not real time: about 1.00 s tracking plus 1.44 s mapping per frame on an RTX 3080 Ti (Table 6)

營建工程相關證據

論文未涉及營建場域；資料為 ScanNet++、Replica、TUM-RGBD、ScanNet。

原文驗證環境：模擬、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 29 個比較組，合計 163 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 25 組列在最後，並連到性能比較頁。

Keetha et al., 2024 · Table 1 本方法 25 筆

指標ATE RMSE [cm]

表格設定（擷取紀錄原文）：Online camera-pose estimation, ATE RMSE [cm]; Baseline numbers taken from Point-SLAM; SplaTAM averaged over 3 seeds (Keetha et al., 2024, Table 1)

ATE RMSE [cm]，TUM-RGBD · Avg.

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 Keetha et al., 2024 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：均方根誤差（RMSE）；對齊方式：原文未報告；單位：cm；場景：real RGB-D sequences from old low-quality cameras (sparse depth, strong motion blur)

資料來源作者報告值(Keetha et al., 2024, Table 1)

數值與出處
方法（原文寫法）報告值出處
Point-SLAM8.92 cm(Keetha et al., 2024, Table 1)
SplaTAM本方法原文提出5.48 cm(Keetha et al., 2024, Table 1)
Vox-Fusion11.31 cm(Keetha et al., 2024, Table 1)
NICE-SLAM15.87 cm(Keetha et al., 2024, Table 1)
Kintinuous4.84 cm(Keetha et al., 2024, Table 1)
ElasticFusion6.91 cm(Keetha et al., 2024, Table 1)
ORB-SLAM21.98 cm(Keetha et al., 2024, Table 1)

Xiao et al., 2025 · Table II 本方法 18 筆

表格設定（擷取紀錄原文）：Tracking accuracy with rpg trajectory evaluation: t_rel = average translational RMSE drift (%), r_rel = average rotational RMSE drift (deg/100 m), t_abs = ATE RMSE (m); reference trajectories from R3LIVE (not an independent measurement); alignment not stated; IMU not used by LiV-GS; '-' entries reported without explanation (text says indoor-oriented 3DGS SLAM methods degrade or fail on some outdoor sequences) (Xiao et al., 2025, Table II)

t_rel (average translational RMSE drift)，NTU4DRadLM · cp

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 Xiao 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：均方根誤差（RMSE）；對齊方式：原文未報告；單位：%；場景：outdoor, low-speed segment (cp about 230 m; garden and nyl segments at least 220 m each), Livox Horizon

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

數值與出處
方法（原文寫法）報告值出處
NeRF-LOAM2.943%(Xiao et al., 2025, Table II)
HDL-graph-SLAM1.264%(Xiao et al., 2025, Table II)
ORB-SLAM31.356%(Xiao et al., 2025, Table II)
SplaTAM本方法無數值未報告註記（擷取紀錄）：not reported ('-' in table)(Xiao et al., 2025, Table II)
MonoGS4.171%(Xiao et al., 2025, Table II)
Gaussian-SLAM1.249%(Xiao et al., 2025, Table II)
GS-ICP-SLAM5.471%(Xiao et al., 2025, Table II)
Ours原文提出0.234%(Xiao et al., 2025, Table II)

Lang et al., 2025 · Table I 本方法 12 筆

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)本方法25.51 dB(Lang et al., 2025, Table I)
Gaussian-LIC (train view)原文提出29.89 dB(Lang et al., 2025, Table I)
Gaussian-LIC (novel view)原文提出29.28 dB(Lang et al., 2025, Table I)

Ha et al., 2024 · Table 1 本方法 9 筆

指標ATE RMSE [cm]

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Ha et al., 2024, Table 1)

  • Replica ATE RMSE; * = reproduced with official code; GS-SLAM from its paper, Photo-SLAM only average from its paper
  • Replica ATE RMSE; * = reproduced with official code; GS-SLAM from its paper, Photo-SLAM only average from its paper; the Gaussian Splatting SLAM (MonoGS) row appears only in the ECCV version of record, reproduced with official code and evaluated on keyframes only
  • Replica ATE RMSE; the ECCV 2024 version of record (Table 1) adds an ORB-SLAM3 average taken from Photo-SLAM [12]; per-scene cells are '-'

ATE RMSE [cm]，Replica · average of 8 scenes

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 Ha et al., 2024 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：均方根誤差（RMSE）；對齊方式：原文未報告；單位：cm；場景：synthetic indoor scenes

資料來源作者報告值(Ha et al., 2024, Table 1)

數值與出處
方法（原文寫法）報告值出處
NICE-SLAM* [ 47 ]1.42 cm(Ha et al., 2024, Table 1)
Point-SLAM* [ 32 ]0.54 cm(Ha et al., 2024, Table 1)
GS-SLAM [ 44 ]0.5 cm(Ha et al., 2024, Table 1)
Photo-SLAM [ 12 ]0.6 cm(Ha et al., 2024, Table 1)
SplaTAM* [ 14 ]本方法0.36 cm(Ha et al., 2024, Table 1)
Ours (limited to 30 FPS)原文提出0.16 cm(Ha et al., 2024, Table 1)
Gaussian Splatting SLAM* [22] (ECCV version only)0.32 cm(Ha et al., 2024, Table 1 (ECCV 2024 version of record))
ORB-SLAM3 [4] (ECCV version only)1.8 cm(Ha et al., 2024, Table 1 (ECCV 2024 version of record))

其他比較組

列出其餘 25 個比較組

來源

  • Keetha et al., 2024

    Nikhil Keetha, Jay Karhade, Krishna Murthy Jatavallabhula, Gengshan Yang, Sebastian Scherer, Deva Ramanan, Jonathon Luiten（2024）SplaTAM: Splat, Track & Map 3D Gaussians for Dense RGB-D SLAM2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 21357-21366

    DOI 10.1109/cvpr52733.2024.02018arXiv 2312.02126程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/spla-tam/SplaTAM（授權：BSD-3-Clause）。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

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉