一句话结论
用在线像素不确定性共同加权密集束调整与高斯地图优化，作者在Wild-SLAM MoCap十条序列报告ATE均值0.46cm，对MegaSaM 2.40cm；完整系统约0.49fps，静态背景缺少无遮挡重访时动态物仍可能被建入地图（CVF主文p.6 Table1、官方补充pp.4/6 Tables9/Fig.12）。
问题、输入与输出
任务是从含移动干扰物的单目RGB视频同时估计相机轨迹、静态3D Gaussian地图及静态新视图，输出不是持久动态物体的4D运动场。系统虽然以RGB为传感器输入，仍借预训练3D-aware DINOv2、Metric3D V2度量深度及DROID式光流/ConvGRU；相机内参用于射线/投影，作者仓库的自定义数据说明要求设置intrinsic（主文pp.3–5 Fig.2/Eqs.3–7；代码README快照）。MoCap记录的RGB-D及OptiTrack用来提供其他方法的输入或GT，本法实验走RGB（补充pp.1–2 §6）。published_at按CVF BibTeX的2025年6月记月初占位，精确日期未核。
方法与优化
各向异性Gaussian省球谐颜色，以屏幕投影、深度排序和alpha合成渲染RGB及深度。微调DINOv2特征经浅层MLP逐像素预测β；渲染误差、度量深度差、相似特征方差及logβ约束在线训练。跟踪时将β及网络置信度用于光流DBA，度量深度与多视一致mask约束视差；前12关键帧先关闭β粗初始化，之后启用，每8帧强制插关键帧。建图用估计深度扩充高斯，并以β加权色彩、深度损失与各向同性项优化；MLP与地图梯度分支互断。最终全局BA、地图细化与非关键帧位姿求解计入整段处理（主文pp.3–5 Eqs.1–7；补充pp.2–3 Eq.8/§7）。
数据、结果与消融
Wild-SLAM MoCap十条动态采集仅覆盖两处静态布局，ATE以完整轨迹的Sim(3) Umeyama对齐后RMSE计；静态NVS另采匹配覆盖的背景图，不是用动态输入帧当静态真值。主文p.6 Tables1–2：ATE均值0.46cm对Splat-SLAM 8.71cm、MegaSaM 2.40cm；静态视图PSNR/SSIM/LPIPS 20.59/.783/.209，对Splat-SLAM 17.23/.699/.346。DynaSLAM RGB仅报告关键帧，和完整轨迹不可直接等价。Bonn八序列ATE均值2.31cm对DDN-SLAM RGB-D 2.91cm，但Balloon为2.8cm，弱于后者1.8cm。TUM主文四条高动态序列本法与MegaSaM均为1.63cm，f3/wr为3.3cm，后者2.6cm；“所有序列最好”的正文措辞有表内反例（主文p.8 Tables3–4）。补充九动态TUM的1.51cm来自不同序列集合，且有缺值基线和转引/重跑混合口径（补充pp.3–4 Tables8/§7.2）。十序列须按源视频及仅两处静态布局分层，帧和像素不作独立场景重复。
去不确定性β使MoCap ATE 0.46→3.89cm、Bonn 2.31→5.11cm；换YOLOv8+SAM在Bonn/TUM 2.37/1.65，与本法2.31/1.63接近，未给显著性（主文p.8 Table5、补充p.6 Table12）。补充p.6 Table11默认(iv)最终BA的TUM 1.63反低于无mask(iii)的1.55；正文两处行号与表中开关不符。默认微调DINOv2+Metric3D V2的TUM1.63亦弱于原DINOv2+同深度模型的1.61（Table13）。复杂静态纹理可误判不确定，暂静止行人且缺无遮挡背景会留在静态图中（Fig.12）。
成本、可复现性与边界
补充p.4 Table9的0.49fps（MoCap）及0.50fps（Bonn）按整段总时长/帧数计，fast版1.96/2.13fps，ATE相应0.48/2.47cm；fast同时减少视差mask、地图/MLP更新频率、非关键帧渲染细化和最终迭代，属于质量—成本配置。它与3DGS训练后渲染FPS及30fps实时视频是不同分母。作者未报本法GPU型号/峰显存、外部模型预训练成本、场景模型大小、重复实验方差和统一端到端能源账。GitHub仓库快照有Apache-2.0顶层LICENSE、运行及数据/评测脚本，另需droid.pth及CUDA11.8/PyTorch2.1；第三方权重和数据许可分别核实，快照没有锁定到同一代码commit。这里没有GPU训练、运行或数据集榜单复现；正式11页主文和9页补充的独立深读、逐页台账与表格原图审计见raw/ingest/2026-09-25-wildgs-slam/analysis.md及page-evidence.md。
比较入口与原始链接
与原始3DGS的已知相机静态逐场任务、AeroDGS的动态航拍4D对象和Changes in Real Time的已建图变化检测分别控制位姿、传感器、教师及输出。后续动态SLAM实验固定内参/深度与视觉先验、完整轨迹对齐、静态NVS真值、前后端/BA全链时间和布局级别划分，特别纳入重访不足、暂静止物和复杂纹理。出版记录、主文、官方补充与作者代码见frontmatter canonical_links及raw/ingest/2026-09-25-wildgs-slam/links.yaml；跨文口径见三维高斯泼溅：表示、优化、几何与动态任务和3D Gaussian Splatting Evidence Matrix。