《Splat-SLAM：基于全局优化的纯视觉3D高斯SLAM系统》摘要 本文提出了首个采用稠密3D高斯地图表示的纯视觉SLAM系统Splat-SLAM。针对现有3D高斯SLAM方法缺乏全局优化和单目深度利用的问题，该系统通过以下创新实现突破：1) 引入全局一致的帧间跟踪框架，结合循环光流和DSPO层联合优化相机位姿与深度；2) 设计可变形3D高斯地图表示，通过非刚性变形适应关键帧位姿更新；3) 融

GICP与VGICP协方差计算对比分析：两者在点级别协方差计算上完全相同，均通过KDTree查找20个近邻点构建协方差矩阵，并支持5种正则化方法。关键区别在于VGICP额外引入体素级协方差融合，提供三种融合方式（加性/乘性/加权），将目标点云协方差信息聚合到体素中。体素化处理使VGICP在保持计算效率的同时，提升了配准的稳定性和鲁棒性，但需权衡体素分辨率与精度损失。代码实现上，VGICP继承GIC

VGICP（Voxelized GICP）是一种高效的点云配准算法，其核心流程包括：1）初始化阶段设置目标/源点云并构建体素地图；2）配准阶段通过迭代优化求解位姿变换。核心创新在于使用体素化匹配替代传统点对点匹配，每个源点可对应多个目标体素（1/7/27个），提高了鲁棒性。关键函数包括update_correspondences()实现体素对应关系更新，linearize()计算Hessian矩阵

斯坦福大学、UC伯克利和丰田研究院联合发布了OpenVLA，这是一个开源的7B参数视觉-语言-动作模型。OpenVLA基于Llama2语言模型，融合DINOv2和SigLIP视觉特征，在97万真实机器人演示数据上训练。实验显示，OpenVLA在29个任务中比55B参数的RT-2-X模型性能高16.5%，且参数少7倍。该模型支持高效微调，在消费级GPU上通过LoRA和量化技术实现适配，性能优于扩散策

本文提出SuGaR方法，首次实现从3D高斯泼溅(3DGS)中高效提取可编辑网格。针对3DGS优化后高斯分布无序的问题，作者创新性地引入表面对齐正则化项，使高斯贴合场景表面；随后提出基于泊松重建的快速网格提取算法，仅需单GPU几分钟即可完成，相比传统SDF方法提速显著。实验表明，该方法在保持3DGS高质量渲染优势的同时，支持网格编辑、重光照等图形学操作，为3D场景建模提供了新思路。

如今，深度学习已经成为一个像编程语言一样基础且重要的工具，是每一个研发工作者绕不过的必备技能，对于科研来说仅仅了解和会使用似乎变得远远不够。不管是处于想把深度学习学好以给自己的论文赋能亦或是学一个找工作的傍身技能的想法，我也决定将这个技能树点起来。学习一项技能最好的时机是入学前，其次就是现在，抓紧时间补补基础吧。为什么选择Transformer是因为这是我认知范围内用的最多最好的模型了，是最可能为

本文提出了一种高效且一致的激光雷达光束平差方法(BALM)，通过点簇坐标对原始点进行紧凑表示，直接最小化点到几何特征的自然欧氏距离。关键创新包括：1)采用点簇概念避免枚举原始点，显著降低计算复杂度；2)推导闭式二阶导数，开发高效二阶求解器；3)实现位姿和不确定性的联合估计。实验表明该方法在计算效率和精度上优于现有方法，为激光SLAM系统提供了更优的全局一致性优化方案。

本文提出了一种简单高效的激光雷达里程计方法KISS-ICP，通过精简核心组件实现了鲁棒的位姿估计。该方法采用点到点ICP配准，结合自适应阈值匹配、鲁棒核函数和运动补偿策略，仅需少量参数即可适应不同传感器和环境。实验表明，在KITTI等多个数据集上，其性能与复杂方法相当，且无需IMU或闭环检测。开源代码见https://github.com/PRBonn/kiss-icp。

LaTeX是一款高效的排版工具，搭配VSCode可提升写作效率。安装时注意：Windows中文用户名需改为英文，避免报错。VSCode配置需禁用自动编译功能，防止频繁生成中间文件占用磁盘。推荐学习资源包括知乎和CSDN上的LaTeX入门指南，以及Overleaf的文档定位技巧。使用中需定期清理VSCode缓存路径（如WebStorage文件夹）以释放空间。注意图片浮动选项避免"H&quo

简单来说， 的作用是定义参数空间在优化过程中的“局部变化规则”。它主要解决两类核心问题：处理过参数化（Over-parameterization）：当你的参数变量数量多于其实际自由度时。施加参数约束（Constraints）：当你的参数必须满足某些特定规则（如位于流形上）时。在最新的 Ceres 版本中（约自 2.0.0 起）， 接口已被标记为“弃用”，取而代之的是更数学化的 （流形）接口。但它们