OpenGS-SLAM은 개방형 환경에서 고밀도 의미론적 SLAM을 수행하기 위해 3D Gaussian 표현을 활용하는 혁신적인 프레임워크입니다. 기존 방법들의 한계인 제한적인 범주의 사전 훈련된 분류기와 암시적인 의미론적 표현을 극복하기 위해, 2D 기반 모델에서 파생된 명시적인 의미론적 레이블을 3D Gaussian 프레임워크에 통합하여 강력한 3D 객체 수준의 장면 이해를 가능하게 합니다. Gaussian Voting Splatting을 통해 빠른 2D 레이블 맵 렌더링과 장면 업데이트를 수행하고, Confidence-based 2D Label Consensus 방법으로 여러 뷰에 걸쳐 일관된 레이블링을 보장하며, Segmentation Counter Pruning 전략으로 의미론적 장면 표현의 정확도를 향상시킵니다. 합성 및 실제 데이터셋에 대한 광범위한 실험을 통해 장면 이해, 추적 및 매핑에서 효과를 입증하였으며, 기존 방법에 비해 10배 빠른 의미론적 렌더링과 2배 낮은 저장 비용을 달성했습니다.
