GeoGS-SLAM : Gaussian Splatting géométrique pur pour le SLAM monoculaire dense

Une équipe de chercheurs vient de publier sur arXiv (2607.07452v1) GeoGS-SLAM, un système de SLAM visuel dense monoculaire fondé sur une nouvelle représentation baptisée Geometry-only Gaussian Splatting (GeoGS). Contrairement aux méthodes 3D Gaussian Splatting classiques utilisées en SLAM, qui modélisent à la fois l'apparence et la géométrie de la scène, GeoGS ne conserve que les paramètres spatiaux de chaque primitive gaussienne, ce qui réduit de plus de 80% le nombre de paramètres par primitive. Le système s'appuie sur un entraînement combinant supervision géométrique et photométrique en vue unique et multi-vues, une initialisation guidée par plans locaux pour accélérer la convergence, et une stratégie de mise à jour de la carte lors des fermetures de boucle qui transforme globalement le nuage de gaussiennes pour éviter les déchirures de carte causées par des corrections de pose incohérentes. Les auteurs affirment que leur méthode dépasse l'état de l'art sur des bancs d'essai synthétiques et réels, tant en efficacité de cartographie en ligne qu'en qualité de reconstruction géométrique.

L'intérêt de cette approche tient à un constat simple: pour des tâches robotiques comme la navigation ou l'évitement d'obstacles, c'est la précision géométrique qui compte, pas le rendu photoréaliste. En abandonnant la modélisation d'apparence, GeoGS allège drastiquement le nombre de primitives gaussiennes nécessaires, accélère la convergence géométrique et gagne en robustesse face aux variations d'éclairage, un point faible connu des pipelines 3DGS classiques en conditions réelles. Pour les intégrateurs travaillant sur la localisation et cartographie embarquées, cela ouvre la voie à des systèmes SLAM plus légers en calcul, potentiellement plus adaptés à un déploiement temps réel sur robot mobile.

Le papier s'inscrit dans la vague de travaux exploitant le 3D Gaussian Splatting pour le SLAM dense depuis l'essor de cette représentation en 2023, une alternative aux cartes NeRF ou aux nuages de points classiques. Comme il s'agit d'un preprint tout juste déposé, sans revue par les pairs ni code public annoncé à ce stade, les gains revendiqués face à l'état de l'art restent à confirmer par la communauté, notamment sur des séquences réelles complexes en dehors des benchmarks utilisés par les auteurs.