单目高斯SLAM不再逐帧铺满：Sparse-Mono先看已有地图，Replica上高斯数比VINGS-Mono少89.3%
核心概要
单目高斯SLAM每来一个建图关键帧就整帧预测高斯，会让已经建好的区域被重复表示、地图持续膨胀。Sparse-Mono把当前观测、从当前视角渲染的持久地图以及两者的光度与几何差异一起编码，先判断哪里需要新增、需要新增多少个，再只在选中的位置解码完整高斯。在Replica上它的平均PSNR比MonoGS高1.05 dB，高斯数量比VINGS-Mono少89.3%，在线处理延迟与VINGS-Mono相当。
深度剖析
单目高斯SLAM的建图单元从“每个关键帧整帧生成高斯”改为“相对已有持久地图只补缺口”，地图增长因此由当前观测与已有表示的差异决定。 此前的馈送式方法如Flash-Mono直接预测相机状态和逐像素高斯属性，即使当前视野的大部分已被持久地图表示，仍会为每个建图关键帧生成一整套高斯。 在Replica八个场景上，Sparse-Mono的平均PSNR为27.45 dB，比MonoGS的26.40 dB高1.05 dB；最终高斯数为88,450，比VINGS-Mono的825,906少89.3%。
系统把一次建图事件拆成三个视角：当前看到什么、地图已经解释了什么、两者在哪里不一致，并据此决定新增位置与数量。 三路输入分别是观测流、渲染地图流和差异流，通道数为6、9、5；差异流包含RGB绝对残差、截断到[-10,10]的归一化对数深度残差和联合深度有效掩码。 在Replica上，只开观测流时PSNR为23.30 dB，加入渲染地图流后升到27.04 dB，再加入差异流达到27.45 dB。
新增高斯的数量与位置由两个独立预测头分别给出，完整几何与外观只在入选位置上解码。 位置头在每个四分之一分辨率格子的4×4图像区域内提出八个轻量候选槽，输出新增得分、子格偏移和插入类型；数量头用全局池化特征加五维事件描述子回归本次新增数。 在Replica上，保留预测数量而改用规则排序时PSNR为26.02 dB、高斯数99,042；保留学习排序而固定按3%候选比例分配时为26.87 dB、116,503个；两者都用学习结果时为27.45 dB、88,450个。
启示与展望
评估覆盖Replica八个室内场景、BundleFusion五个场景和KITTI Odometry序列00、05、06、07，渲染分辨率320×240，全部在RTX 4070 SUPER上以固定网络权重在线运行，不包含序列结束后的离线精修。
LPIPS上的优势并不一致，Depth L1误差本身不足以确立完整的表面几何保真度；建图仍依赖前端的位姿与深度估计，且30.03亿参数的网络本身仍带来存储与推理开销。不同方法的后端精修迭代预算不同，因此延迟差异不能全部归因于稀疏分配。