PAPER DEEP DIVE
DL-SLAM：基于双层概率的动态环境高保真高斯泼溅SLAM
3D高斯泼溅（3DGS）推动了稠密动态SLAM的进展，但主流方法直接丢弃预定义的动态物体，忽略了瞬时静止物体对位姿估计的几何约束价值；WildGS-SLAM用逐像素不确定性图利用这类物体，却会把它们融进静态地图留下持久伪影，且纯几何的不确定性在物体边界处含糊不清。DL-SLAM提出双层概率框架：像素级结合语义与几何信息计算动态概率，作为稠密束调整的自适应权重；像素概率被提升到三维高斯属性并按实例聚合为对象级动态概率，用于类别化剪枝动态高斯，得到无伪影的静态地图；纯净的静态地图再渲染出几何一致的概率图，贝叶斯式地反哺像素级估计。配合动态感知的语义标签修正，DL-SLAM在TUM RGB-D、BONN与Wild-SLAM iPhone三个动态数据集上将跟踪精度最多提升13%，同时生成高保真语义地图。
论文元信息
- 标题：DL-SLAM: Enabling High-Fidelity Gaussian Splatting SLAM in Dynamic Environments based on Dual-Level Probability（DL-SLAM：基于双层概率的动态环境高保真高斯泼溅 SLAM）
- 作者：Ziheng Xu, Qingfeng Li, Xuefeng Liu, Chen Chen, Jianwei Niu（该团队此前发表过 NID-SLAM，长期深耕动态环境稠密 SLAM）
- 发表：ACM Multimedia 2026（里约热内卢）；arXiv 2607.01860v2 [cs.RO]
- 论文链接：arxiv.org/abs/2607.01860
- 代码状态：截至本解读撰写时未发现官方开源仓库（GitHub 检索无对应项目），论文亦未给出代码链接
一句话总结
DL-SLAM 用「像素级 + 对象级」双层动态概率重构了动态场景下的高斯泼溅 SLAM：瞬时静止的物体既能作为几何约束参与跟踪，又会在对象级概率确认后从高斯地图中被整类剪枝，从而在 TUM RGB-D、BONN 和 Wild-SLAM iPhone 三个动态数据集上同时拿到最优跟踪精度与无伪影的静态地图。
研究背景与动机
视觉 SLAM 是具身智能、自动驾驶与混合现实的基础能力。近几年以 NeRF 和 3D 高斯泼溅（3DGS）为场景表示的 SLAM 方法在新视角合成与稠密建图上展现了前所未有的能力，但这些方法几乎都依赖静态世界假设：一旦场景中出现运动的行人、推车或搬运的箱子，动态物体会在帧间引入错误的对应关系，直接污染相机位姿估计；而把它们纳入三维地图又会产生挥之不去的视觉伪影。动态环境与高保真重建之间的矛盾，是稠密 SLAM 走向真实应用必须跨过的门槛。
最流行的应对策略是「语义掩码一刀切」：DynaSLAM、DG-SLAM、SDD-SLAM 等方法用分割网络识别出预定义的动态类别（人、车等），把这些区域整体排除在跟踪与建图之外。论文指出这种做法有两个结构性缺陷。其一，动态物体并不总是有害的——当它瞬时静止时，反而能提供宝贵的几何与光度约束；不加区分地丢弃这些区域，在动态物体占据画面主体时会适得其反，此时剩余的静态结构过于稀疏，根本无法可靠约束相机位姿。其二，固定类别清单限制了泛化能力，预定义类别之外的动态物体（比如移动的纸箱、椅子）会被直接漏掉。
WildGS-SLAM 是离 DL-SLAM 最近的前作。它用逐像素的不确定性图作为跟踪权重，让瞬时静止物体得以为位姿估计做贡献。但论文分析出它的两个软肋：第一，不确定性低的瞬时静止物体会被顺势融合进地图表示，静态地图里留下持久伪影——物体只是「当时没动」，却被当成了永远的静态背景；第二，不确定性估计纯靠几何线索，在物体边界处数值含糊，动态区域识别不稳健。
DL-SLAM 的思路因此可以概括成一句话：让瞬时静止物体「帮忙跟踪，但不进地图」。要在一个系统里同时做到这两点，单一粒度的判断是不够的——像素级判断擅长精细加权，却看不到物体的整体状态；对象级判断能给出「这个实例到底是不是动态」的全局结论，却依赖像素级证据的可靠性。论文的答案是双层概率框架：像素级动态概率由语义与几何信息联合计算，作为稠密束调整（DBA）的自适应权重；像素概率被提升到三维高斯属性上，按实例聚合成对象级概率，用于类别化剪枝；而剪枝后得到的纯净静态地图又反过来渲染出几何一致的概率图，贝叶斯式地修正像素级估计，形成一个闭环。
除了动态物体的处理，论文还瞄准了一个常被忽视的配套问题：动态环境下的语义建图质量。物体运动和严重遮挡会让逐帧抽取的语义标签在时间上前后矛盾、在空间上出现空洞。DL-SLAM 为此引入动态感知的语义标签修正策略，用在线标签合并解决不一致、用面向遮挡区域的稠密化补全空洞，最终支撑起可交互编辑的对象级语义地图。三项贡献合在一起，构成了这篇 ACM MM 2026 论文的完整叙事。
预备知识：带动态概率属性的 3DGS 场景表示
DL-SLAM 用各向异性三维高斯集合 $\mathcal{G}=\{g_i\}_{i=1}^{K}$ 表示场景的静态部分。每个高斯 $g_i$ 由均值 $\mu_i\in\mathbb{R}^3$、协方差 $\Sigma_i\in\mathbb{R}^{3\times3}$、不透明度 $o_i\in[0,1]$ 和 RGB 颜色 $c_i\in\mathbb{R}^3$ 参数化。论文在此之上给每个高斯追加了两个关键属性：动态概率 $p_i\in[0,1]$ 与显式语义标签 $\ell_i$。动态概率是 0 到 1 的连续分数，越大越可能运动；显式标签则沿用 OpenGS-SLAM 的对象级表示路线，便于直接做实例推理，而不像隐式特征向量那样需要额外解码。
渲染沿用 3DGS 的 alpha 混合。颜色图 $\hat{C}$ 与深度图 $\hat{D}$ 由下式给出：
$$\hat{C}=\sum_{i=1}^{n} c_i \alpha_i T_i,\qquad \hat{D}=\sum_{i=1}^{n} d_i \alpha_i T_i,\qquad T_i=\prod_{j=1}^{i-1}(1-\alpha_j) \tag{1}$$
其中 $c_i$、$d_i$ 是高斯 $g_i$ 的颜色与深度值，透射率 $T_i$ 表示光线到达第 $i$ 个高斯前未被遮挡的比例。像素空间内二维泼溅的不透明度为：
$$\alpha_i=o_i\exp\left(-\frac{1}{2}(u-\mu)^{T}\Sigma_{2D}^{-1}(u-\mu)\right) \tag{2}$$
这里 $u$ 是像素坐标，$\mu$、$\Sigma_{2D}$ 是泼溅后的二维均值与协方差。关键的一步是：动态概率图可以像颜色、深度一样被渲染出来——
$$\hat{P}=\sum_{i=1}^{n} p_i \alpha_i T_i \tag{3}$$
这条看似平凡的公式是反馈闭环的基石：它让系统能从三维地图渲染出几何一致的概率图，而不仅仅是从单帧图像做二维估计。语义标签图 $\hat{L}$ 则采用高斯投票渲染：对标签 $l_j$ 累计权重
$$W_j=\sum_{g_i\in\mathcal{G}_j^{u}}\alpha_i\prod_{k=1}^{i-1}(1-\alpha_k) \tag{4}$$
其中 $\mathcal{G}_j^{u}$ 是对像素 $u$ 有贡献且带标签 $l_j$ 的高斯集合，累计权重最高的标签被赋给该像素。
方法详解
图 2 给出了系统总览：输入 RGB 序列后，跟踪分支估计像素级动态概率图 $P$ 并将其作为 DBA 的权重；建图分支把概率与标签提升到三维高斯，做对象级概率估计与动态剪枝；静态地图再渲染出概率图 $\hat{P}'$ 反哺像素级估计。下面按数据流顺序拆解每个环节。
图2：系统总览（论文 Fig.2）。跟踪分支用语义标签图与光流估计像素级动态概率并加权 DBA；建图分支将概率与标签提升为高斯属性，完成对象级概率估计与动态剪枝；纯净静态地图渲染出的概率图再经贝叶斯更新反哺像素级估计。
语义地图生成：开放词表分割与跨帧关联
双层概率框架的地基是稳健且时间一致的语义理解。与依赖预定义动态类别（如「人」）的方法不同，DL-SLAM 走开放词表路线：先用 Recognize Anything Model（RAM）从输入图像生成开放集类别标签，把这些标签作为文本提示喂给 Grounding DINO 生成类别感知的检测框，再由 MobileSAMv2 产出精细的语义标签图。这套组合让系统不必事先约定哪些类别会动，任何被检测出的实例都能进入后续的概率推理。
逐帧分割本身并不够用——帧间标签必须对齐到同一实例身份。此前的 OpenGS-SLAM 只用 IoU 做匹配，对位移较大的动态物体并不可靠。DL-SLAM 改用融合匹配分数：空间重叠（IoU）与 CLIP 特征度量的外观相似度联合计分，新检测与同类别下所有已跟踪对象逐一比较，得分最高且超过阈值 $\tau_{sim}=0.7$ 的对象继承其对象 ID，匹配失败的检测被初始化为新标签。最终得到的语义标签图 $L$ 中，每个物体在帧间拥有一致的身份编号，这是对象级概率聚合的前提。
像素级动态概率：对极几何的统计建模
像素级概率要回答的问题是：在静态场景假设下，这个像素的观测有多「不一致」。DL-SLAM 用对极几何来量化这种不一致。出于效率考虑，概率图只在关键帧上估计：ConvGRU 网络估计当前关键帧 $I_k$ 与上一关键帧 $I_{k-1}$ 之间的光流（该光流同时用于位姿估计），从光流给出的稠密像素对应中估计基础矩阵 $F_{k,k-1}$，再对每个像素 $u$ 计算 Sampson 误差 $e_{F_{k,k-1}}(u)$，度量它偏离对极约束的程度。
得到几何误差后，论文借鉴 CFP-SLAM 的统计建模思路：假设静态像素的误差服从高斯分布，则平方 Sampson 误差服从自由度为 2 的卡方分布。像素的动态概率直接由该分布的累积分布函数给出：
$$\tilde{P}_{k|k-1}(u)=\mathrm{CDF}_{\chi^2}\left(\left(e_{F_{k,k-1}}(u)\right)^{2};\,2\right) \tag{5}$$
几何误差越大，动态可能性越高。相比 WildGS-SLAM 需要在线优化一个不确定性估计网络，这种解析式的概率建模几乎零额外开销，而且通过语义掩码的先验约束弥补了纯几何方法边界模糊的弱点。
初始概率图 $\tilde{P}_{k|k-1}$ 还要做一次语义聚合。依据是刚体假设：同一物体上所有像素共享运动状态。对每个对象 $o$，收集其语义掩码 $\mathcal{M}_o$ 内所有像素的概率并按降序排序，取前四分位数的均值与中位数的均值作为该对象的二维动态概率 $p^{2D}_o$，再把这个值赋回掩码内所有像素，构成聚合概率图 $P_k$。这种「显著运动说了算」的聚合方式既避免了个别噪声像素的干扰，也避免了均值被大量静止像素稀释。
对象级动态概率：近因加权聚合
像素级信息随后被提升到三维表示：每个在关键帧 $k$ 创建的新高斯 $g_i$，从对应像素继承动态概率 $p_i$ 与语义标签 $\ell_i$。对象级概率最朴素的做法是对物体名下所有高斯的概率求平均，但论文指出这会有「时间惯性」——一个长期静止的物体积累了大量低概率高斯，当它突然开始运动时，新创建的高概率高斯会被历史存量稀释，系统迟迟无法察觉状态变化。
DL-SLAM 的解法是近因加权聚合。设 $\mathcal{G}_o$ 是属于对象 $o$ 的高斯集合，在关键帧 $k$ 给每个高斯赋予指数衰减权重 $w_i=\exp(-\delta(k-k_i))$，其中 $k_i$ 是 $g_i$ 的创建关键帧索引，衰减率 $\delta=0.3$。对象级概率为加权平均：
$$p^{3D}_o=\frac{\sum_{g_i\in\mathcal{G}_o}w_i p_i}{\sum_{g_i\in\mathcal{G}_o}w_i} \tag{6}$$
这样，物体的运动状态主要由其近期行为决定，状态切换可以被快速捕获。这个设计与像素级的「上四分位聚合」形成呼应：两级都在回答同一个问题——如何让「正在发生的运动」压过「历史的静止」。
时间确认与动态高斯剪枝
有了对象级概率，剪枝策略采取保守姿态以避免误删：只有当某对象的 $p^{3D}_o$ 超过阈值 $\tau_{prune}=0.8$ 且连续三个关键帧保持超标，它才会被标记为动态并加入全局动态对象集合；属于该集合内任何对象的所有高斯随后被整体移出场景。「连续三帧」的时间确认协议牺牲了少量响应速度，换取对瞬时误判的鲁棒性；而一旦确认，剪枝是类别化、整实例的——这是静态地图无伪影的直接来源，也是与 WildGS-SLAM「低不确定性就融进地图」的本质区别。
概率更新：静态地图反哺的贝叶斯闭环
聚合概率图 $P_k$ 的上限受制于初始估计 $\tilde{P}_{k|k-1}$ 的可靠性，而基于二维光流的估计在无纹理区域容易出错。传统几何方法（如 CFP-SLAM）靠昂贵的多阶段流水线更新概率，DL-SLAM 则利用三维表示本身完成高效更新：用公式 (3) 从当前地图渲染出几何一致的概率图 $\hat{P}_k$。渲染本质是加权平均，高概率动态高斯的贡献会被大量静态高斯稀释，因此先做幂律放大 $\hat{P}'_k=(\hat{P}_k)^{\gamma}$，$\gamma=0.5$，再与初始估计 $P_k$ 做贝叶斯融合得到后验：
$$P^{post}_k=\frac{\hat{P}'_k\cdot P_k}{\hat{P}'_k\cdot P_k+(1-\hat{P}'_k)\cdot(1-P_k)} \tag{7}$$
这个公式把「地图渲染的似然」与「帧间几何的先验」相乘归一：两者都认为动态的像素概率被推高，任一方强烈认为静态的像素概率被压低。随后后验概率被回传到三维表示——当前视角下所有可见高斯的中心投影到图像平面，用对应像素的后验概率更新其动态属性 $p_i$。至此，像素级与对象级通过三维地图完成了一次完整的信息交换，这也是论文标题中「双层概率」耦合的真正含义。
动态感知的语义标签修正
语义建图面临两个动态环境特有的挑战：一是尽管有二维数据关联，纯帧间线索缺少全局几何上下文，标签不一致仍会残留；二是动态物体遮挡造成欠重建区域，语义含糊。对前者，论文设计在线修正机制：判断渲染掩码 $\mathcal{M}_i\subset\hat{L}$（标签 $i$）与输入掩码 $\mathcal{M}_j\subset L$（标签 $j$）是否对应同一物体，匹配分数取 IoU 与两个方向包含率的最大值：
$$S_m(i,j)=\max\left(\frac{|\mathcal{M}_i\cap\mathcal{M}_j|}{|\mathcal{M}_i\cup\mathcal{M}_j|},\frac{|\mathcal{M}_i\cap\mathcal{M}_j|}{|\mathcal{M}_j|},\frac{|\mathcal{M}_i\cap\mathcal{M}_j|}{|\mathcal{M}_i|}\right) \tag{8}$$
当 $S_m(i,j)$ 超过阈值 $\tau_{match}=0.8$，标签 $j$ 被视为标签 $i$ 的别名；为防止瞬时误匹配，这一关联需要连续三个关键帧重复出现才固化为永久身份合并，随后对相关高斯重新赋标签。包含率的引入让「渲染掩码只是输入掩码的一部分」这类遮挡场景也能正确匹配。对后者，论文用逐像素语义梯度度量语义碎片化程度：
$$S_g(u)=\sum_{q\in\mathcal{N}(u)}\mathbb{1}\left(\hat{L}(u)\neq\hat{L}(q)\right) \tag{9}$$
其中 $\mathcal{N}(u)$ 是 $u$ 的四邻域，$\mathbb{1}(\cdot)$ 为指示函数。在动态物体掩码并集覆盖的区域内，凡是 $S_g(u)$ 超过阈值 $\tau_{grad}=3$ 的高碎片化区域都会被定向稠密化，从而补全被动态物体遮挡的重建空洞。图 3 展示了这一机制的效果。
图3：语义标签修正效果（论文 Fig.3，Bonn_mv_box2 序列第 520 帧）。从左到右：输入标签图、无修正的渲染、本文修正后的渲染。方法纠正了语义不一致（如地面上的纸箱），并稳健重建了被动态物体遮挡的区域（如椅子）。
跟踪与建图：概率加权的 DBA 与局部窗口优化
跟踪模块建立在 DROID-SLAM 之上：DBA 层在帧图 $\mathcal{F}=(V,E)$ 上联合优化关键帧位姿 $\omega$ 与视差 $d$。DL-SLAM 用 Metric3D 为每个新关键帧估计度量深度 $\tilde{D}_i$，并把动态概率图作为权重注入 DBA 目标函数：
$$\arg\min_{\omega,d}\sum_{(i,j)\in E}\left\|\tilde{u}_{ij}-\Pi_c\left(\omega_j^{-1}\omega_i\Pi_c^{-1}(u_i,d_i)\right)\right\|^{2}_{\Sigma_{ij}/(1-P_i)} \tag{10}$$
其中 $u_i$ 是关键帧 $I_i$ 的像素坐标，$\tilde{u}_{ij}$ 是光流预测的帧间对应，$\Pi_c$ 是相机投影函数，协方差权重由 ConvGRU 的置信矩阵 $\Sigma_{ij}$ 与动态概率 $P_i$ 共同构成。权重形式 $\Sigma_{ij}/(1-P_i)$ 意味着概率越接近 1 的像素信息矩阵越小、贡献越低：正在运动的像素被降权，而瞬时静止物体的稳定区域照常参与约束。这正是「帮忙跟踪」的落地方式。
建图侧，高斯地图随关键帧增量扩展。与在二维阶段过滤动态物体的方法不同，DL-SLAM 允许所有像素初始化新高斯，把动态处理完全推迟到三维剪枝阶段，避免二维误判造成不可逆的信息丢失。地图扩展后在共视关键帧的局部窗口内优化，渲染损失为：
$$(1-P)\left(\lambda_c\mathcal{L}_{color}+(1-\lambda_c)\mathcal{L}_{depth}\right)+\lambda_{reg}\mathcal{L}_{iso} \tag{11}$$
颜色损失与深度损失都被 $(1-P)$ 加权，动态像素不参与监督。颜色损失组合 L1 与 SSIM：
$$\mathcal{L}_{color}=(1-\lambda_{ssim})|\hat{C}-C|_1+\lambda_{ssim}\left(1-\mathrm{SSIM}(\hat{C},C)\right) \tag{12}$$
深度损失 $\mathcal{L}_{depth}=|\hat{D}-\tilde{D}|_1$ 以 Metric3D 的度量深度为监督。各向同性正则防止弱约束区域的高斯被拉得过长：
$$\mathcal{L}_{reg}=\frac{1}{|\mathcal{G}|}\sum_{i=1}^{|\mathcal{G}|}|s_i-\bar{s}_i|_1 \tag{14}$$
其中 $s_i$ 是第 $i$ 个高斯的尺度，$\bar{s}_i$ 是地图内的平均尺度。另一个工程细节是优化终止条件：不固定迭代次数，而是当局部窗口内建图损失的方差低于 $\tau_{var}=0.002$ 时提前终止，避免收敛后的冗余计算。实现参数为 $\lambda_c=0.5$、$\lambda_{reg}=10$、$\lambda_{ssim}=0.2$。
flowchart TD
A[RGB 关键帧序列] --> B[开放词表语义分割
RAM + Grounding DINO + MobileSAMv2]
B --> C[跨帧数据关联
IoU + CLIP 外观相似度]
C --> D[语义标签图 L
实例身份跨帧一致]
A --> E[ConvGRU 光流估计]
E --> F[基础矩阵与 Sampson 误差]
F --> G[像素级初始概率
卡方 CDF 建模]
D --> H[对象内语义聚合
上四分位与中位数]
G --> H
H --> I[聚合概率图 P 加权 DBA 跟踪
动态像素降权]
H --> J[概率与标签提升为高斯属性]
J --> K[对象级概率
近因加权聚合 δ=0.3]
K --> L{连续 3 个关键帧
概率超过 0.8}
L -->|是| M[类别化剪枝动态高斯]
M --> N[纯净静态地图]
N --> O[渲染概率图
幂律放大 γ=0.5]
O --> Q[贝叶斯后验更新像素概率]
Q --> H
D --> R[语义标签修正与遮挡区稠密化]
R --> N
DL-SLAM 双层概率流水线：像素级概率支撑跟踪加权，对象级概率驱动剪枝，静态地图渲染的概率图经贝叶斯更新回流，形成闭环。
实验结果
实验在 Intel i9-12900KF + NVIDIA RTX 3090 平台上完成，评测覆盖三个动态数据集：TUM RGB-D 动态子集（8 条序列）、BONN（8 条序列）以及用于无约束场景的 Wild-SLAM iPhone 数据集（piano、shop、street、tower、wall、wander 6 条序列）。跟踪用 ATE 的 RMSE 与标准差衡量，重建与渲染用 PSNR、SSIM、LPIPS 对照真值训练视角评估。基线按场景表示分三组：传统方法（ORB-SLAM2、ReFusion、DynaSLAM、CFP-SLAM）、NeRF 系（Co-SLAM、NID-SLAM、RoDyn-SLAM、DynaMoN）、3DGS 系（SGS-SLAM、DG-SLAM、SDD-SLAM、WildGS-SLAM），每组各含一个静态参考方法。
跟踪：TUM 与 BONN 双榜第一
表 1 给出 TUM RGB-D 动态数据集上的跟踪结果（ATE RMSE，单位 cm）。DL-SLAM 在全部 8 条序列中的 6 条上拿到最优、其余两条与最优持平或接近，平均 RMSE 1.3cm，比次优的 WildGS-SLAM（1.5cm）低约 13%——这正是摘要中「跟踪精度最多提升 13%」的出处。对比之下，语义掩码系的 DynaSLAM、CFP-SLAM 平均在 1.7–1.9cm，而完全不做动态处理的静态方法（ORB-SLAM2 平均 30.2cm、Co-SLAM 平均 63.3cm）在 walk 系列高动态序列上彻底崩溃，ATE 动辄数十厘米至上米。
| 方法 | f3/sit_s | f3/sit_x | f3/sit_r | f3/sit_h | f3/walk_s | f3/walk_x | f3/walk_r | f3/walk_h | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| ORB-SLAM2 | 0.9 | 0.9 | 2.0 | 1.9 | 38.7 | 72.1 | 78.4 | 46.7 | 30.2 |
| ReFusion | 0.9 | 4.0 | 13.2 | 11.0 | 1.7 | 9.9 | 40.6 | 10.4 | 11.5 |
| DynaSLAM | 0.5 | 1.3 | 2.7 | 1.9 | 0.7 | 1.6 | 3.5 | 3.0 | 1.9 |
| CFP-SLAM | 0.5 | 0.9 | 2.5 | 1.5 | 0.7 | 1.4 | 3.7 | 2.4 | 1.7 |
| Co-SLAM | 1.5 | 4.8 | 51.7 | 8.6 | 30.6 | 72.5 | 236.0 | 100.7 | 63.3 |
| NID-SLAM | 1.9 | 7.5 | 8.6 | 10.5 | 6.2 | 6.4 | 64.8 | 7.1 | 14.1 |
| RoDyn-SLAM | 1.7 | 5.2 | 6.7 | 4.4 | 1.7 | 8.3 | 7.9 | 5.6 | 5.2 |
| DynaMoN | 0.5 | 1.0 | 2.4 | 2.6 | 0.7 | 1.4 | 3.5 | 1.9 | 1.8 |
| SGS-SLAM | 1.4 | 1.8 | 13.5 | 12.9 | 60.3 | 130.4 | 70.7 | 69.6 | 37.2 |
| DG-SLAM | 0.7 | 1.1 | 3.6 | 2.5 | 3.5 | 2.9 | 4.4 | 3.7 | 2.8 |
| WildGS-SLAM | 0.5 | 0.8 | 2.3 | 1.7 | 0.5 | 1.3 | 3.1 | 1.5 | 1.5 |
| DL-SLAM（本文） | 0.5 | 0.8 | 1.9 | 1.3 | 0.4 | 1.2 | 2.9 | 1.4 | 1.3 |
表1：TUM RGB-D 动态数据集跟踪性能，ATE RMSE [cm]，越低越好（论文 Table 3，标准差此处省略）。加粗为各列最优。
BONN 数据集的结果（表 2）呈现同样格局：DL-SLAM 平均 RMSE 2.2cm 排名第一，领先 WildGS-SLAM（2.5cm）约 12%；在人群密集的 crowd、crowd2 序列上优势尤其明显（1.3cm 对 1.6cm、1.6cm 对 2.2cm）。两处例外值得如实指出：ps_trk2 序列上 DynaMoN 以 2.3cm 小幅领先（DL-SLAM 2.9cm），mv_box2 序列上 WildGS-SLAM 以 2.3cm 领先（DL-SLAM 2.6cm）。整体而言，3DGS 系方法包揽前列，而静态方法在 BONN 上平均误差达到 22–90cm，再次印证动态处理的必要性。
| 方法 | ball | ball2 | crowd | crowd2 | ps_trk | ps_trk2 | mv_box | mv_box2 | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| ORB-SLAM2 | 15.8 | 12.6 | 98.0 | 62.8 | 69.8 | 78.6 | 32.3 | 79.6 | 56.2 |
| DynaSLAM | 3.4 | 3.2 | 2.5 | 2.9 | 4.7 | 12.6 | 2.0 | 26.2 | 7.2 |
| Co-SLAM | 25.0 | 38.7 | 245.8 | 229.0 | 77.2 | 73.7 | 10.5 | 25.4 | 90.7 |
| RoDyn-SLAM | 7.9 | 11.5 | 13.5 | 13.7 | 14.5 | 13.8 | 24.9 | 12.6 | 14.1 |
| DynaMoN | 2.9 | 2.7 | 3.3 | 4.8 | 15.1 | 2.3 | 1.5 | 2.7 | 4.4 |
| SGS-SLAM | 44.7 | 37.2 | 105.8 | 267.0 | 128.7 | 66.7 | 23.6 | 41.5 | 89.4 |
| DG-SLAM | 6.2 | 4.8 | 2.1 | 3.2 | 4.6 | 6.3 | 2.8 | 3.6 | 4.2 |
| WildGS-SLAM | 2.8 | 2.5 | 1.6 | 2.2 | 3.7 | 3.1 | 1.7 | 2.3 | 2.5 |
| DL-SLAM（本文） | 2.4 | 2.3 | 1.3 | 1.6 | 3.4 | 2.9 | 1.4 | 2.6 | 2.2 |
表2：BONN 数据集跟踪性能，ATE RMSE [cm]（论文 Table 2 节选，ReFusion 与 SDD-SLAM 因报告不全未列入）。加粗为各列最优。
渲染：无伪影静态地图的量化证据
渲染评测是「剪枝带来无伪影地图」这一主张的量化证据。表 3 给出 Wild-SLAM iPhone 数据集上的完整结果：DL-SLAM 在 6 条序列上全部取得最优 PSNR 与 SSIM，例如 piano 序列 PSNR 19.18dB（WildGS-SLAM 17.93、SGS-SLAM 16.65），street 序列 21.06dB（WildGS 19.69），tower 序列 19.93dB。LPIPS 上 DL-SLAM 在 5/6 条序列最优。图 4（论文）的定性对比解释了差距来源：WildGS-SLAM 在 wandering 序列把瞬时静止的两个人融进了地图，在 mv_box 序列把移动过的箱子留在初始位置，形成明显伪影；DL-SLAM 的对象级剪枝把这些动态高斯整体移除，渲染干净。论文还展示了该方法对 mv_box 中「从桌上移到地面的箱子」的正确处理——箱子被判定为动态并从初始与最终位置同时清除。
| 方法 | 指标 | piano | shop | street | tower | wall | wander |
|---|---|---|---|---|---|---|---|
| SGS-SLAM | PSNR [dB]↑ | 16.65 | 15.59 | 18.31 | 17.53 | 14.15 | 14.11 |
| SSIM↑ | 0.669 | 0.584 | 0.736 | 0.715 | 0.415 | 0.513 | |
| LPIPS↓ | 0.409 | 0.583 | 0.418 | 0.385 | 0.681 | 0.561 | |
| DG-SLAM | PSNR [dB]↑ | 13.41 | 12.76 | 13.23 | 13.98 | 11.97 | 13.14 |
| SSIM↑ | 0.263 | 0.227 | 0.375 | 0.531 | 0.203 | 0.260 | |
| LPIPS↓ | 0.846 | 0.936 | 0.855 | 0.674 | 0.994 | 0.831 | |
| WildGS-SLAM | PSNR [dB]↑ | 17.93 | 15.79 | 19.69 | 19.06 | 16.32 | 16.70 |
| SSIM↑ | 0.650 | 0.499 | 0.700 | 0.805 | 0.503 | 0.569 | |
| LPIPS↓ | 0.248 | 0.468 | 0.337 | 0.245 | 0.493 | 0.341 | |
| DL-SLAM（本文） | PSNR [dB]↑ | 19.18 | 18.34 | 21.06 | 19.93 | 18.07 | 17.92 |
| SSIM↑ | 0.764 | 0.689 | 0.810 | 0.864 | 0.715 | 0.751 | |
| LPIPS↓ | 0.171 | 0.236 | 0.175 | 0.163 | 0.236 | 0.197 |
表3：Wild-SLAM iPhone 数据集渲染性能（论文 Table 1 节选）。BONN 部分 DL-SLAM 同样在 8 条序列的 PSNR/SSIM 上全部最优。
语义地图还带来实用的交互能力：图 5 展示了 iPhone tower 序列上的交互式场景编辑——用户输入指定目标物体的提示词，系统凭借对象级语义表示定位对应实例并将其从最终地图中移除。
图4：交互式场景编辑（论文 Fig.5，Wild-SLAM iPhone tower 序列第 171 帧）。从左到右：移除前渲染、移除后 RGB 渲染、移除后语义渲染，目标实例由用户提示词指定。
运行时、显存与消融
运行时方面（表 4），语义分割耗时 168.5ms/帧——为公平起见，论文把本文生成的语义标签同样提供给 SGS-SLAM，两者在该项持平；跟踪 139.6ms/帧，与共享高效 DBA 层的 WildGS-SLAM 并列最低（SGS-SLAM 高达 1307.1ms/帧）；建图 590.4ms/帧，优于全部对比方法（WildGS-SLAM 因在线优化不确定性网络达到 995.9ms/帧）。模型尺寸 11.1MB，约为 SGS-SLAM（32.9MB）的三分之一，但 GPU 显存 11.5GB 为对比方法中最高，这是每个高斯额外存储语义标签与动态概率属性的直接代价。需要说明的是，论文未报告端到端 FPS，各环节毫秒数相加意味着系统距离实时仍有距离。
| 指标 | RoDyn-SLAM | SGS-SLAM | WildGS-SLAM | DL-SLAM（本文） |
|---|---|---|---|---|
| 分割 [ms/帧]↓ | 250.0 | 168.5 | – | 168.5 |
| 跟踪 [ms/帧]↓ | 378.4 | 1307.1 | 139.6 | 139.6 |
| 建图 [ms/帧]↓ | 757.2 | 620.3 | 995.9 | 590.4 |
| 模型尺寸 [MB]↓ | 7.3 | 32.9 | 8.0 | 11.1 |
| GPU 显存 [GB]↓ | 5.0 | 6.5 | 10.8 | 11.5 |
表4：TUM RGB-D 上的运行时与显存（论文 Table 4）。加粗为各行最优，WildGS-SLAM 不使用独立分割模块。
消融实验（表 5，BONN 8 条序列平均）量化了三个核心组件的贡献。去掉像素级概率的代价最大：ATE RMSE 从 2.2cm 恶化到 4.8cm，几乎翻倍，证明概率加权是鲁棒跟踪的主因；去掉对象级概率后 ATE 升至 2.6cm、PSNR 从 19.99dB 降到 19.38dB，图 6 的定性结果显示 crowd2 序列中出现明显的动态物体残影；去掉语义修正则主要伤害渲染质量，PSNR 降至 18.74dB。三个组件各司其职：像素级保跟踪、对象级保地图、语义修正保渲染保语义。
| 配置 | ATE RMSE [cm]↓ | ATE S.D. [cm]↓ | PSNR [dB]↑ |
|---|---|---|---|
| 去掉像素级概率 | 4.8 | 2.8 | 19.00 |
| 去掉对象级概率 | 2.6 | 1.3 | 19.38 |
| 去掉语义修正 | 2.4 | 1.1 | 18.74 |
| DL-SLAM 完整 | 2.2 | 1.0 | 19.99 |
表5：BONN 数据集消融实验（论文 Table 5）。
图5：BONN 渲染消融（论文 Fig.6，crowd2 序列第 316 帧）。从左到右：真值、去掉对象级概率的渲染、完整 DL-SLAM 渲染与局部放大。缺少对象级剪枝时动态人形残留在地图中形成残影。
图6：论文题图（Fig.1）。单目动态序列下的静态地图重建对比：DL-SLAM 在 RGB 与语义两种视图下都消除了动态物体干扰，SGS-SLAM 则保留大量残影。
局限性
1. 只建模静态场景，动态物体被丢弃而非理解（作者自述）。论文结论部分明确把「显式建模动态物体轨迹、实现完整 4D 场景理解」列为未来方向。当前系统对动态物体的态度是检测并剪枝：这些物体的运动信息没有被保留，无法支持对动态障碍物的预测或交互，对需要与移动物体共处的下游任务（如人机共存环境中的导航规划）是实质性的能力缺口。
2. 距离实时仍有明显差距。论文没有报告端到端 FPS。仅看各环节耗时：分割 168.5ms、跟踪 139.6ms、建图 590.4ms（每帧计），叠加后系统在 RTX 3090 上远达不到实时。作者也承认系统依赖 RAM、Grounding DINO、MobileSAMv2、CLIP、Metric3D 一串预训练大模型，这套感知栈的推理开销是主要瓶颈之一。
3. 评测局限于室内，泛化性未验证。三个数据集（TUM、BONN、Wild-SLAM iPhone）均为室内办公类场景，动态物体以行人和搬运的箱子为主。开放词表分割链在户外、夜间、极端光照或罕见物体上的表现未经检验，而对极几何 + 光流的概率估计在大位移、快速运动场景下也可能失效。
4. 剪枝与确认机制存在延迟与调参敏感性。「连续三个关键帧超过 0.8」的时间确认协议意味着突然开始运动的物体在数帧内仍会污染地图；近因加权衰减率 $\delta=0.3$、剪枝阈值 $\tau_{prune}=0.8$ 等关键超参均为经验值，论文未提供敏感性分析。
总结与展望
DL-SLAM 的核心贡献是给动态场景 SLAM 提供了一套双粒度的概率语言：像素级概率回答「这个观测可信吗」，用于跟踪加权；对象级概率回答「这个实例是动态的吗」，用于地图剪枝；两者通过可微渲染在三维空间里互相校准。这种设计把「利用瞬时静止物体」与「保持地图纯净」这对长期矛盾拆解到不同粒度上分别解决，配合动态感知的语义修正，在三个动态基准上同时刷新了跟踪与渲染指标。对机器人系统而言，它给出的启示是：动态环境中的语义与几何不是互斥的线索，概率是把它们装进同一个框架的合适接口。作者展望的下一步是为动态物体建立显式轨迹模型，走向完整的 4D 场景理解——届时「剪枝」将升级为「建模」，动态物体从被清除的干扰变成被理解的实体。
金句
「瞬时静止的物体为位姿估计提供了宝贵的几何约束……对象级概率使得对动态高斯进行类别化剪枝成为可能，从而得到一张无伪影的静态地图。」——论文摘要。前半句解释了为什么要留下它们，后半句解释了为什么最终不能留下它们。