CoRL 2026 RoMo-GS:把曝光积分写成误差函数 (ERF) 塞进 3DGS 光栅化,在线去模糊比离线方案快 15–150 倍,高斯还少 20%
机器人在线建图一直有个头疼事:机器人一加速、一抖动、一碰环境,摄像头拍出来的帧全是运动模糊,直接拿去喂 3D 高斯溅射 (3DGS),重建出来的几何是糊的,相机位姿还会跟着飘。传统解法要么是离线多帧合成(把一帧曝光时间切成 N 个子帧分别渲染再平均,质量高但慢到没法在线跑),要么是在线硬扛模糊帧(快但精度掉)。CoRL 2026 这篇 RoMo-GS 给出的思路很直接:别再做 N 次子采样了,干脆把每个投影高斯在曝光窗口里的运动积分,用误差函数 ERF 解析地算出来,一次光栅化就出模糊帧,每个高斯复杂度 O (1)。围绕这个核,论文再配上 Hessian-based 的在线剪枝(按不透明度轴的 Gauss-Newton 对角线打分,砍掉低贡献高斯)、Adam + 在线 LM 两步联合优化相机位姿 / 速度 / 高斯参数,最终在 Deblur-NeRF 合成集和 ETH3D 真实数据集上,渲染质量追平甚至超过离线去模糊 3DGS,速度却快 15–150 倍;在 TUM 和自建多平台机器人数据集上,跟在线基线 MODP 质量相当,高斯数量还少约 20%。简单说就是:以前离线方案 "质量好但慢到不能在线用",在线方案 "快但糊",RoMo-GS 把这两端打通了 —— 在线速度、离线质量、更小模型。
一、它到底解决了什么问题?
| 痛点 | 传统做法 | 后果 |
|---|---|---|
| 机器人快速机动产生运动模糊帧 | 离线:把曝光期切成 N 个子帧,每帧渲染后平均 | 质量高,但渲染开销随 N 线性涨,没法在线跑 |
| 同上 | 在线:直接拿模糊帧当清晰帧优化 | 几何被腐蚀,位姿漂移 |
| 在线建图时高斯数量无限膨胀 | 不停插入新高斯,只做简单剪枝 | 内存爆掉,机器人跑不动 |
| 快速机动下位姿跟踪不稳 | 先跟踪后建图,分开优化 | 误差累积,结构塌掉 |
二、核心技术三板斧
第一板斧:曝光积分运动模糊 —— 把离散 N 采样换成解析 ERF
- 以前:模糊渲染 = 渲染 N 个子帧再加权平均,复杂度 O (N),N 越大越准但越慢
- RoMo-GS:直接对每个投影高斯在整个曝光区间内的运动做解析积分,结果用误差函数 (ERF) 表示
- 落地:把这个 ERF 积分项写进 CUDA 光栅器,单趟光栅化就输出模糊帧,每个高斯 O (1),和 N 无关
- 额外优化:加了 "Swept Footprint Culling"(扫掠足迹剔除),把完全不覆盖像素的高斯直接踢掉
第二板斧:Hessian-based 在线剪枝 —— 高斯少 20%
- 打分方式:用光度损失对每个高斯不透明度 o_j 的二阶敏感度(即 Gauss-Newton Hessian 在不透明度轴上的对角线)作为重要性分数
- s_j = ΣΣ(∂L_i/∂o_j)²,直接从 gsplat 反向传播里拿,不额外花钱
- 规则:覆盖像素少、损失加权贡献低的高斯剪掉;在超过 10 个关键帧里被观察到的高斯才有资格被保留
- 效果:dog_park 序列上,其他方法高斯数一路涨到 20 万 + 还在抖,RoMo-GS 收敛稳定,比在线基线 MODP 少约 20% 高斯
第三板斧:联合优化 + 在线 LM 步 —— 位姿 / 速度 / 高斯一起调
- 前端:用 ORB-SLAM3 这类视觉跟踪器给位姿、速度、地标
- 后端:先跑一个 Adam 循环联合更新相机状态 (位姿 + 速度) 和高斯参数,再叠一个在线 Levenberg-Marquardt (LM) 二阶步单独 refine 高斯
- 辅助:在高频细节渲染不好的像素上,从深度图里额外采点初始化新高斯(概率 = 高频梯度 ×SSIM 残差)
三、速度对比到底有多夸张?
| 对比对象 | 角色 | RoMo-GS 相对表现 |
|---|---|---|
| 离线去模糊 3DGS(Deblur-NeRF 系) | 离线、质量高、慢 | 质量追平 / 超过,速度快 15–150 倍 |
| 多采样模糊 N=5 | 折中方案 | RoMo-GS 质量相当,速度约 2 倍于 N=10 |
| 在线基线 MODP | 在线、高斯多 | 质量相当,高斯数少~20% |
| MonoGS / HI-SLAM2 | 在线、慢 + 后处理 | 速度更快,不需要长后优化阶段 |
| GS-ICP / Photo-SLAM | 在线、快但质量掉 | 质量更稳,不因速度牺牲几何 |
四、关键实验数据速览
- Deblur-NeRF 合成集 + ETH3D 真实集:匹配或超过离线去模糊方法,同时 15–150× faster
- TUM + 自建多机器人数据集:与 MODP 质量可比,高斯数少~20%
- 剪枝消融:α=0(不剪)37.5 万高斯 PSNR 27.8;α=0.05 剪到 17 万 PSNR 27.4;α=0.1 剪到 9.8 万 PSNR 26.8—— 压缩到 1/4 高斯,PSNR 只掉 1dB 多
- 完整系统消融 (ETH3D camera_shake_1):去掉去模糊模块 PSNR 从 24.1 掉到 23.5;去掉 LM 步掉到 23.5;去掉联合位姿 / 速度掉到 23.1—— 每个模块都在干活
五、为什么这个工作对机器人重要?
- 以前 3DGS 在线方案默认输入是 "相对清晰的帧",但真实机器人(腿足、无人机、机械臂)一碰就是抖、震、快速机动,模糊帧才是常态
- RoMo-GS 把 "去模糊" 从离线预处理变成了光栅器里的一个解析项,等于把去模糊免费内置到了在线管线里
- 高斯数量被 Hessian 分数管住,不会跑着跑着内存炸掉 —— 这对机载嵌入式计算单元是硬需求
- 联合优化位姿和高斯,意味着模糊帧不再被当成噪声扔掉,而是反过来帮着修位姿漂移
【相关 FAQ】
问题 1:RoMo-GS 里的 ERF 是什么?为什么说它让在线 3DGS 去模糊快了 15–150 倍?
回答 1:ERF 就是误差函数 (Error Function)。RoMo-GS 把每个投影高斯在整个曝光时间窗口内的运动积分,用 ERF 这个解析闭式解表示出来,直接写进 CUDA 光栅器。以前做运动模糊要把曝光期切成 N 个子帧、渲染 N 次再平均,复杂度随 N 线性涨;RoMo-GS 单趟光栅化就算完,每个高斯 O (1),和 N 无关。这就是它能在 Deblur-NeRF 和 ETH3D 上比离线去模糊 3DGS 快 15–150 倍、同时还能在线跑的根本原因。
问题 2:RoMo-GS 的高斯数量为什么能比在线基线少 20%?
回答 2:靠的是 Hessian-based 在线剪枝。它用光度损失对每个高斯不透明度的二阶敏感度(Gauss-Newton Hessian 在不透明度轴的对角线)作为打分,直接从 gsplat 反向传播里免费拿到。覆盖像素少、对损失贡献低的高斯会被剪掉,在 10 个以上关键帧出现过的高斯才保留资格。实验里 dog_park 序列上,其他方法高斯数涨到 20 万 + 还在波动,RoMo-GS 收敛稳定,比在线基线 MODP 少约 20% 高斯,质量还不掉。
问题 3:RoMo-GS 和离线去模糊 3DGS 比,质量真的没差吗?
回答 3:论文在 Deblur-NeRF 合成数据集和 ETH3D 真实数据集上做了对比,结论是 "匹配或超过离线去模糊 3DGS 方法的渲染质量"。也就是说,速度快了 15–150 倍的同时,PSNR/SSIM/LPIPS 这些指标并没有退步,部分场景反而更好。在 TUM 和自建多机器人数据集上,它跟在线基线 MODP 质量可比,只是高斯更紧凑。
问题 4:RoMo-GS 主要用在什么场景?和普通手机拍视频做 3D 重建有什么区别?
回答 4:RoMo-GS 是面向机器人在线建图 (robot mapping) 的,输入是机器人视觉前端实时吐出来的位姿、速度和带模糊的帧流,要边跑边建图。它解决的是机器人快速机动、震动、碰撞导致的运动模糊,以及高斯数量在线无限膨胀的问题。手机拍视频做 3D 重建一般是离线的、帧相对稳定的场景,不需要实时性,也没有机载内存约束,和 RoMo-GS 面对的工程约束不在一个量级。
【参考资料】
[2026-10-17](RoMo-GS: Efficient Online 3D Gaussian Splatting for Robot Mapping via Exposure-Integrated Motion Blur)arXiv
[2026-10-17](RoMo-GS: Efficient Online 3D Gaussian Splatting for Robot Mapping via Exposure-Integrated Motion Blur)Semantic Scholar
[2026-10-17](RoMo-GS: Efficient Online 3D Gaussian Splatting for Robot Mapping via Exposure-Integrated Motion Blur)国家预印本平台
[2026-11-14](Recovery and Performance in Sport: Consensus Statement)International Journal of Sports Physiology and Performance
[2026-07-24](CoMoGaussian: Continuous Motion-Aware Gaussian Splatting from Motion-Blurred Images)IEEE Xplore
[2026-07-13](EBAD-GS: Deblurring Gaussian Splatting with Event-Driven Bundle Adjustment)IEEE Xplore
【免责声明】
本文基于 arXiv 公开预印本 (2610.24605) 及公开学术数据库整理,仅作技术资讯交流,不构成任何学术评价、投资建议或工程选型推荐。论文为 CoRL 2026 投稿 / 接收版本,最终录用信息、实验数据及结论以会议正式发表版本和作者勘误为准。文中涉及的速度倍数、高斯压缩比等数字均来自论文自报结果,未经独立复现验证。3DGS/SLAM 领域迭代极快,读者在工程引用前请自行查阅原文及最新开源代码。本文作者及发布平台不对因参考本文内容而产生的任何决策后果承担责任。
本文来自作者[云澜览品]投稿,不代表环球品牌网立场,如若转载,请注明出处:https://www.865171.cn/qyzx/202611/1088.html
评论列表(4条)
我是环球品牌网的签约作者“云澜览品”!
希望本篇文章《CoRL 2026 | RoMo-GS把曝光积分写进ERF,在线3DGS去模糊比离线方法快15–150倍,高斯数量还少20%》能对你有所帮助!
本站[环球品牌网]内容主要涵盖:品牌服务领域
本文概览:CoRL 2026 RoMo-GS:把曝光积分写成误差函数 (ERF) 塞进 3DGS 光栅化,在线去模糊比离线方案快 15–150 倍,高斯还少 20%