MCGS-SLAM

A Multi-Camera SLAM Framework Using Gaussian Splatting for High-Fidelity Mapping

Anonymous Author
Code and data [Available Upon Acceptance]

SLAM System Pipeline

Our method performs real-time SLAM by fusing synchronized inputs from a multi-camera rig into a unified 3D Gaussian map. It first selects keyframes and estimates depth and normal maps for each camera, then jointly optimizes poses and depths via multi-camera bundle adjustment and scale-consistent depth alignment. Refined keyframes are fused into a dense Gaussian map using differentiable rasterization, interleaved with densification and pruning. An optional offline stage further refines camera trajectories and map quality. The system supports RGB inputs, enabling accurate tracking and photorealistic reconstruction.

Right Image

Analysis of Single-Camera and Multi-Camera System

This experiment on the Waymo Open Dataset (Real World) demonstrates the effectiveness of our Multi-Camera Gaussian Splatting SLAM system. We evaluate the 3D mapping performance using three individual cameras, Front, Front-Left, and Front-Right, and compare these single-camera reconstructions against the Multi-Camera SLAM results.

The comparison highlights that the Multi-Camera SLAM leverages complementary viewpoints, providing more complete and geometrically consistent 3D reconstructions. In contrast, single-camera setups are prone to occlusions and limited fields of view, resulting in incomplete or distorted geometry. Our approach effectively fuses information from all three perspectives, achieving superior scene coverage and depth accuracy.

Right Image

Oorspronkelijke Tekst -

Toch blijft de oorspronkelijke tekst onvervangbaar als historisch en juridisch bewijsstuk. In de rechtspraak of bij de interpretatie van historische documenten is de exacte formulering leidend. Elke vertaling is immers een interpretatie, en elke samenvatting is een reductie. Zonder toegang tot de bron kunnen we nooit met zekerheid de intentie van de maker achterhalen. De oorspronkelijke tekst biedt een noodzakelijke context die in bewerkte versies vaak ongemerkt wegsijpelt.

De waarde van de oorspronkelijke tekst: Tussen authenticiteit en aanpassing Oorspronkelijke tekst

Een van de meest fundamentele aspecten van de oorspronkelijke tekst is de rol ervan binnen de academische wereld. Voor studenten en onderzoekers fungeert de brontekst als het fundament van hun betoog. Hierbij ontstaat vaak een spanningsveld tussen citeren en parafraseren. Het letterlijk overnemen van een tekst, oftewel citeren, wordt ingezet wanneer de formulering van de auteur zo krachtig of specifiek is dat een verandering de essentie zou schaden. Echter, de huidige onderwijsnormen leggen de nadruk op parafraseren: het weergeven van de kernboodschap in eigen woorden. Dit proces dwingt de schrijver om de oorspronkelijke tekst diepgaand te begrijpen en te verwerken, waardoor de eigen stem dominant blijft terwijl de bron gerespecteerd wordt. Zonder toegang tot de bron kunnen we nooit

Analysis of Single-Camera and Multi-Camera SLAM (Tracking)

In this section, we benchmark tracking accuracy across eight driving sequences from the Waymo dataset (Real World). MCGS-SLAM achieves the lowest average ATE, significantly outperforming single-camera methods.
Right Image

We further evaluate tracking on four sequences from the Oxford Spires dataset (Real World). MCGS-SLAM consistently yields the best performance, demonstrating robust trajectory estimation in large-scale outdoor environments.
Right Image

Right Image