SLAM与3DGS学习路线有啥不同？

最新推荐文章于 2025-12-19 15:39:53 发布
转载 最新推荐文章于 2025-12-19 15:39:53 发布 · 19 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247738222&idx=3&sn=8301df936e715806cb2b2a94b53d2c4a&chksm=fa42b6e500a8a8d1ba38a3008c73c71919e41275649cb247e60763ade79c133d8086abef9360&scene=126&sessionid=0
文章标签：

#3d #学习

「3D视觉从入门到精通」星友提问

提问

来自星球嘉宾的解答

3DGS SLAM和传统SLAM做位姿估计完全不是一个体系，传统SLAM是特征提取+特征匹配+PnP/ICP+BA的路线，而GS SLAM是直接渲染RGB/Depth图像，计算loss对pose求梯度。如果是想走GS SLAM的话，我建议可以选一个比较经典的开源框架（比如SplaTAM、MonoGS），先不用着急吃透代码和原理，先把它在公开数据集上跑起来（比如Replica、TUM），运行起来通过GUI你就能理解3D GS到底是个什么东西，运行起来到底是什么样子，然后你可以带着问题“比如它到底是怎么优化的pose，新的高斯点具体是如何生成，具体是如何做的BA”去查文献和代码。通过这个过程你也能看出来这个框架存在哪些问题，解决这些问题，你的创新点和工作量就有了。

稠密语义SLAM最新工作！SGS-SLAM打造最精确的3D语义地图！
3D视觉工坊
03-07 873
语义理解在稠密同时定位与地图构建（SLAM）中发挥着至关重要的作用，有助于全面解释场景。将高斯飞溅技术整合到SLAM系统中的最新进展已经证明了它通过使用明确的3D高斯表示生成高质量渲染的有效性。在此进展基础上，我们提出了SGS-SLAM，这是第一个基于3D高斯的语义密集视觉SLAM系统，它在提供精确的3D语义分割的同时，还能产生高保真的重建。具体而言，我们建议在建图过程中采用多通道优化，将外观、几何和语义约束与关键帧优化相结合，以提高重建质量。
训练缩短95％！Event3DGS让你的3DGS全面提速！
计算机视觉工坊
06-07 938
最近出现的3D高斯散射（3DGS）利用了显式基于点的表示的优势，显著提高了新视图合成的渲染速度和质量。然而，在高动态运动或挑战性照明条件下的3D辐射场渲染在现实世界的机器人任务中仍然存在问题。原因是快速自运动在现实世界的机器人任务中普遍存在，这会引起运动模糊，导致重建结构中的不准确性和伪影。为了缓解这个问题，我们提出了Event3DGS，这是第一种仅从原始事件流中学习高斯散射的方法。通过利用事件相机的高时序分辨率和显式基于点的表示，Event3DGS可以仅从事件流中在快速自运动下重建高保真度的3D结构。
10 FPS！超真实的重建质量！单目3DGS SLAM最新SOTA来了！
3D视觉工坊
08-19 697
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研...
【3D-GS】Gaussian Splatting SLAM——基于3D Gaussian Splatting的全网最详细的解析
格物致知
03-30 5432
fx1σ2πe−x−μ22σ2fxσ2π​1​e−2σ2x−μ2​其中：μ 是正态分布的 均值，代表数据中心的位置。σ 是正态分布的 标准差，代表数据离散程度。对于一段x区间,进行积分可以得到分布中的数据落在这一-区间的概率,其中绝大多数落在3sigma区域(概率是0.9974)。因此,一组mumumu和sigma/sigmasigma。
小白也能听懂的干货：SLAM建图 vs NeRF / 3DGS三维重建本质区别与应用选择【2025最新版！！！】
举个栗子的博客
05-05 2132
一个强调“定位-结构”，服务于机器智能；一个强调“视觉-保真”，服务于人类感知。在实际工程与研究中，它们不是替代关系，而是互补关系。选择哪种技术，关键要看你的目标是“走得更准”，还是“看得更清”。
600 FPS！通过剪枝对3DGS进行50倍压缩！
3D视觉工坊
07-05 856
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎...
做SLAM没有位姿真值？Director3D：直接生成真实世界相机轨迹和3D场景！
3D视觉工坊
07-21 557
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研...
驯服3DGS！更少的训练时间、内存！更高的质量！
3D视觉工坊
07-20 1455
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研...
ECCV'24开源 | 无惧遮挡、动态、光照变化！最鲁棒的3DGS震撼来袭！
3D视觉工坊
07-16 1325
点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎扫...
3DGS重建！gsplat 库源码解析
CV_Autobot的博客
09-24 376
MCMCStrategy 对应另一种常用的方法https://arxiv.org/abs/2404.09591，gsplat 也给出了mcmc 的 demo ： https://github.com/nerfstudio-project/gsplat/blob/main/examples/benchmarks/mcmc_4gpus.sh。在 https://github.com/nerfstudio-project/gsplat/blob/main/gsplat/rendering.py# L360。
做SLAM没有位姿真值？Director3D：直接生成真实相机轨迹和3D场景！
计算机视觉工坊
07-18 236
近年来，在3D生成领域的进步已经利用了具有真实3D资产和预定义相机轨迹的合成数据集。然而，采用能够生成更加逼真的3D场景的真实世界数据集的潜力仍然在很大程度上尚未被探索。在本文中，我们深入研究了在真实世界捕获中发现的复杂且特定于场景的相机轨迹这一关键挑战。我们引入了Director3D，一个强大的开放世界文本到3D生成框架，旨在生成真实世界的3D场景和自适应相机轨迹。
CVPR‘24开源 | 通过3D GS进行整体城市3D场景理解！
3D视觉工坊
03-24 593
基于RGB图像的城市场景的整体理解是一个具有挑战性但重要的问题。它包括理解几何和外观，以实现新视图合成，解析语义标签，并跟踪移动物体。尽管取得了相当大的进展，但现有方法通常侧重于此任务的特定方面，并需要额外的输入，例如LiDAR扫描或手动注释的3D边界框。在本文中，我们介绍了一种利用3D高斯喷涂的新型管道，用于全面理解城市场景。我们的主要想法涉及使用静态和动态3D高斯的组合，通过物理约束对移动物体姿态进行正则化，从而联合优化几何、外观、语义和运动。
【万字详解】三维重建（二）——NeRF、NeuS、MeshUDF、NeuralUDF、3DGS、GShell
河海大学研究生在读的学习笔记
12-10 2549
其他内容包括：IDR、DVR、stable-normal、SDF、UDF、Occupancy、marching cube、 nvdiffrecmc、DMTet、neural defer shading、stable normal、instant-ngp、torch-ngp（√）
3D工业相机提升晶圆承载部件工艺质量
PHOSKEY的博客
12-17 319
GL-8000系列3D线激光轮廓测量仪，以其在微米级精度、每秒数万线的高速扫描、海量点云数据采集及复杂表面适应能力等方面的综合性能，为解决晶圆承载部件在平面度、平行度及综合尺寸精度方面的管控难题提供了有效的技术方案。
用【vtk3DLinearGridCrinkleExtractor】快速提取3D网格相交面
dengbiwei的博客
12-18 967
摘要：vtk3DLinearGridCrinkleExtractor是VTK中针对3D线性网格优化的专用切割工具，可快速提取网格与切割面的交线/交面。相比通用工具效率提升2倍以上，适用于地质建模、工程仿真、医学可视化等场景。关键参数包括切割面设置、数据复制选项、精简数据开关等。使用时需注意仅支持线性单元格、多线程依赖编译设置等限制。该工具通过专注特定需求，在3D网格切割任务中展现出显著性能优势。
WebGIS开发核心库深度解析：从2D到3D的全栈选择
刘一说的IT专栏
12-15 1159
本文对比了五大主流WebGIS开发库：OpenLayers（开源全能2D/3D）、Leaflet（轻量移动端）、Mapbox GL JS（WebGL矢量地图）、Cesium（3D地理可视化）和ArcGIS API（企业级GIS）。从技术特性、适用场景和优缺点进行分析，为开发者提供选型参考：OpenLayers适合复杂2D分析，Leaflet适合轻量应用，Mapbox GL JS适合高定制化矢量地图，Cesium专注3D可视化，ArcGIS API提供企业级解决方案。建议根据项目需求（2D/3D、性能、生态等
论文Review 3DGS综述 | 浙江大学 | A Survey on 3D Gaussian Splatting |（二）发展、应用与结论
weixin_42148238的博客
12-15 742
三维高斯泼溅( GS )已成为辐射领域的一种变革性技术。与主流的隐式神经模型不同，3D GS使用数百万个可学习的3D高斯进行显式场景表示。结合可微分渲染算法，该方法实现了实时渲染和前所未有的可编辑性，使其成为三维重建和表示的潜在游戏规则改变者。在本文中，我们首次系统地综述了3D GS的最新进展和重要贡献。我们首先详细探究了3D GS产生的潜在原理和背后的驱动力，为理解其意义做了铺垫。我们讨论的一个重点是3D GS的实际应用性。 通过实现前所未有的渲染速度，3D GS开辟了大量的应用，从虚拟现实到交互式媒体等
告别漏检与低效 ，维视智造用 2D+3D 视觉攻克 3C 连接器质检难题
12-15 957
本期将结合近期成功交付的实战案例，详细解读智能视觉检测方案在 3C 电子连接器生产质检中的落地实践，为企业实现视觉智能化升级提供可落地的参考范式。
用React+Three.js 做 3D Web版搭建三维交互场景：模型的可视化摆放与轻量交互
最新发布
阿里巴啦的博客
12-19 487
本文介绍了一个基于Web的AR基础平台项目，重点实现了3D模型的自由摆放与交互功能。项目采用React+TypeScript+Vite+Three.js技术栈，提供纯三维场景操作能力，暂不涉及摄像头与图像识别。核心架构包含UI层、会话管理、3D引擎、交互系统和模型加载模块，支持桌面模拟和手机WebXR两种模式。文章详细说明了项目安装、功能模块、交互方式（手势/键盘/语音）、性能优化建议以及应用场景，并提供了常见问题解答和术语解释。该项目适合快速原型开发、布局演示和交互测试。
slam+3dgs
06-03
### SLAM与3D几何形状（3DGS）的实现方法 SLAM（Simultaneous Localization and Mapping）是一种同时进行定位和地图构建的技术，广泛应用于机器人导航、增强现实和自动驾驶等领域。结合3D几何形状（3DGS），可以显著提升地图的精度和场景理解能力[^1]。以下是从技术角度探讨SLAM与3DGS结合的实现方法。 #### 1. 数据采集与预处理 在SLAM系统中，通常使用传感器如LiDAR或深度相机来获取环境的三维信息。这些数据需要经过预处理以提取关键特征点或几何形状。例如，在DiSCo-SLAM中，通过分布式扫描上下文（Scan Context）来优化多机器人LiDAR SLAM的全局-局部图优化过程[^3]。对于3DGS，几何形状可以通过Gaussian Splatting等方法从点云中提取[^2]。 ```python import numpy as np def preprocess_point_cloud(point_cloud): # 去除噪声点 filtered_cloud = remove_noise(point_cloud) # 提取特征点 keypoints = extract_keypoints(filtered_cloud) return keypoints def remove_noise(point_cloud): # 示例：基于统计的去噪 inliers = point_cloud.statistical_outlier_removal() return inliers def extract_keypoints(filtered_cloud): # 示例：基于法向量的特征提取 keypoints = detect_features(filtered_cloud) return keypoints ``` #### 2. 地图构建 地图构建阶段需要将几何形状整合到SLAM框架中。这可以通过以下方式实现： - **稀疏表示**：利用稀疏点云或特征点来表示环境，适合实时应用。 - **稠密表示**：通过融合深度信息生成稠密的3D模型，适合高精度需求。 - **结合语言模型**：一些研究尝试将自然语言描述与几何形状关联，从而增强地图语义化能力[^1]。 #### 3. 定位与优化 定位是SLAM的核心任务之一，可以通过以下方法实现： - **位姿估计**：利用ICP（Iterative Closest Point）算法或其变体来匹配当前帧与已有地图。 - **图优化**：构建位姿图并通过非线性优化方法（如g2o或Ceres Solver）最小化误差。 - **动态环境处理**：结合Diffusion模型或正则化方法，处理动态物体对定位的影响[^2]。 ```python from g2o import SE3Quat, SparseOptimizer, BlockSolver, LinearSolverEigen def optimize_pose_graph(pose_graph): optimizer = SparseOptimizer() solver = BlockSolver(optimizer) linear_solver = LinearSolverEigen(solver) for node in pose_graph.nodes: optimizer.add_vertex(node) for edge in pose_graph.edges: optimizer.add_edge(edge) optimizer.initialize_optimization() optimizer.optimize(10) return optimizer.vertices() ``` #### 4. 渲染与可视化 渲染阶段涉及将几何形状转换为可观察的图像或视频序列。常用的方法包括： - **正则化渲染**：通过对点云或几何形状施加约束条件，确保渲染结果平滑且真实[^1]。 - **混合模型**：结合物理鲜艳模型和动态3DGS，生成逼真的场景效果[^2]。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值