{
  "paper_id": "aa224265f156bcfd7efceee57b0218a2",
  "paper_title": "LIVE-GS: Online LiDAR-Inertial-Visual State Estimation and Globally Consistent Mapping with 3D Gaussian Splatting",
  "paper_authors": [
    "Jaeseok Park",
    "Chanoh Park",
    "Minsu Kim",
    "Minkyoung Kim",
    "Soohwan Kim"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "While 3D Gaussian Splatting (3DGS) enabled photorealistic mapping, its integration into SLAM has largely followed traditional camera-centric pipelines. As a result, they inherit well-known weaknesses such as high computational load, failure in texture-poor or illumination-varying environments, and limited operational range, particularly for RGB-D setups. On the other hand, LiDAR emerges as a robust alternative, but its integration with 3DGS introduces new challenges, such as the need for tighter global alignment for photorealistic quality and prolonged optimization times caused by sparse data. To address these challenges, we propose LIVE-GS, an online LiDAR-Inertial Visual SLAM framework that tightly couples 3D Gaussian Splatting with LiDAR-based surfels to ensure high-precision map consistency through global geometric optimization. Particularly, to handle sparse data, our system employs a depth-invariant Gaussian initialization strategy for efficient representation and a bounded sigmoid constraint to prevent uncontrolled Gaussian growth. Experiments on public and our datasets demonstrate competitive performance in rendering quality and map-building efficiency compared with representative 3DGS SLAM baselines.",
  "keywords": [
    "SLAM",
    "3D Gaussian Splatting",
    "LiDAR-Inertial-Visual Fusion",
    "Photorealistic Mapping",
    "Surfel Bundle Adjustment",
    "Loop Closure"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:35:43.097881Z",
  "template_tag": "deep_read",
  "summary": "# LIVE-GS: Online LiDAR-Inertial-Visual State Estimation and Globally Consistent Mapping with 3D Gaussian Splatting\n\n\n**作者 / Authors:** Jaeseok Park, Chanoh Park, Minsu Kim, Minkyoung Kim, Soohwan Kim\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A：阅读对齐与输入校验\n\n### 1. 论文元数据\n\n- **标题**：LIVE-GS: Online LiDAR-Inertial-Visual State Estimation and Globally Consistent Mapping with 3D Gaussian Splatting\n- **作者**（姓名 / 单位 / 背景）：\n  - Jaeseok Park（标注单位 1,2）\n  - Chanoh Park（标注单位 1）\n  - Minsu Kim（标注单位 2）\n  - Minkyoung Kim（标注单位 3，通讯作者 *）\n  - Soohwan Kim（标注单位 2，通讯作者 *）\n  - 注：文档未附机构脚注，编号 1/2/3 对应的具体机构无法确认；从方法溯源看，团队与 Elastic LiDAR Fusion / Probabilistic Surfel Fusion 系列（C. Park 等，参考文献 [^13][^14][^16]）关系密切（第 III 节开头明确说明双地图设计受其启发）。\n- **发表载体**：文档未明确给出会议/期刊名称与年份；从 IEEE 双栏排版、Fig./TABLE 编号与参考文献格式推断为 IEEE 机器人类会议论文，且引用了 2025 年文献（[^3] GS-SDF, Mar. 2025；[^6] FAST-LIVO2, IEEE T-RO 2025；[^24] GS-LIVM, ICCV 2025），推测为 2025 年前后投稿/发表。\n\n### 2. 研究定位\n\n- **研究领域**：SLAM 与三维重建，具体为 LiDAR-惯性-视觉（LIV）多传感器融合状态估计与 3D Gaussian Splatting（3DGS）实时光真实感建图。\n- **具体任务**：在线（实时）位姿估计 + 全局一致建图：前端 LiDAR-Inertial-Visual 里程计（几何 ICP + 光度残差联合优化，Eq. 1–4）、滑窗局部 GS 优化（Eq. 9–13）、基于 surfel-to-surfel 约束的回环检测与全局位姿图优化（iSAM2，Eq. 14–18）（第 I 节、第 III 节、Fig. 2）。\n- **目标用户 / 应用场景**：使用手持平台、机器人或无人机的用户，在大尺度室外（城市街道、海岸、机场）与室内（办公、展厅）环境中进行实时高精度定位与照片级地图构建（第 IV-A 节、Fig. 1、Fig. 5）。\n\n### 3. 输入材料清单\n\n- **PDF**：是（当前文档含摘要、第 I–V 节、参考文献 [^1] [^2] [^3] [^4] [^5] [^6] [^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17] [^18] [^19] [^20] [^21] [^22] [^23] [^24]、Fig. 1–8、Table I–IV、Algorithm 1–2）。\n- **附录 / 补充材料**：无（文档中未见 appendix 或 supplement）。\n- **代码链接**：未提供。\n- **数据集链接**：未提供直接链接；实验涉及公开数据集 FAST-LIVO2（Retail_Street、CBD02、SYSU_01）[^6]、MARS-LVIG（airport03）[^21]、Botanic Garden（Seq. 00/01/07，含厘米级 RTK-GPS 真值）[^22]，以及自采数据集（Reception、Demo room）。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：作者机构脚注；明确的发表 venue 与年份；开源代码链接；自采数据集（Reception / Demo room）下载链接；Algorithm 1 伪代码第 8–10 行排版不完整（自适应上界调整的完整逻辑需推断）。\n- **可能影响**：\n  - 无法直接复现 Table I–IV 中的轨迹与渲染指标，第三方验证成本高；\n  - 自定义数据集标定依赖 [^23] 且无数据链接，限制公平对比；\n  - venue 未明导致引用时需按预印本/会议投稿谨慎标注。\n\n### 5. 阅读路线（3–6 步）\n\n- **Step 1**：读摘要 + 第 I 节 + Fig. 1/Fig. 2，抓住四个贡献点：SBA 耦合的在线 LIV-3DGS 框架、深度不变高斯初始化、有界 sigmoid 尺度约束、六数据集综合评测。\n- **Step 2**：读第 II 节相关工作，厘清与离线方法（GS-SDF、LetsGo）、在线视觉方法（Photo-SLAM、GS-ICP-SLAM、SplaTAM）、LIV-3DGS 方法（Gaussian-LIC、LI-GS、HGS-Mapping）的差异与动机。\n- **Step 3**：精读第 III 节方法：III-A 里程计代价（Eq. 1–4）、III-B 深度不变初始化（Eq. 5–8、Fig. 3）、III-C 滑窗局部建图与有界 sigmoid（Eq. 9–13、Algorithm 1、Fig. 4）、III-D 全局位姿图与高斯二次精化（Eq. 14–18、Algorithm 2）。\n- **Step 4**：读第 IV 节实验：Table I + Fig. 6（轨迹 ATE/Z-RMSE）、Table II/III + Fig. 7（PSNR/地图大小/耗时）、Table IV + Fig. 8（BS 与 SBA 消融）。\n- **Step 5**：读第 V 节结论与局限（未显式使用 LiDAR 深度监督、动态物体、恶劣天气），形成批判性评估与后续研究问题清单。\n\n### 分类依据（paper_archetype = system）\n\n- 核心贡献是一个完整的在线 SLAM 系统/框架（LIVE-GS）：双地图架构（surfel 定位图 + 3DGS 渲染图）、前端-后端闭环流水线、硬件级同步的手持采集平台（Fig. 2、Fig. 5），符合 system 定义。\n- 虽包含新算法组件（深度不变初始化、有界 sigmoid），但它们服务于该系统的工程化整合与部署效果，故单一最佳标签选 system 而非 method。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B：首读概览（First-Pass Overview）\n\n### 1. 论文类型与类别\n\n- **类型**：系统论文（paper_archetype = system）。核心贡献是一个完整的在线 LiDAR-惯性-视觉 SLAM 系统 LIVE-GS，采用双地图架构（稀疏 2D surfel 定位图 + 稠密 3D Gaussian 渲染图），覆盖前端里程计、局部建图、回环检测与全局优化的完整流水线（第 III 节、Fig. 2）。\n- **领域归类**：机器人学 / SLAM / 实时三维重建与真实感渲染（3D Gaussian Splatting）。\n- **载体形态**：IEEE 双栏会议风格排版（Abstract + 第 I–V 节 + 参考文献 [^1] [^2] [^3] [^4] [^5] [^6] [^7] [^8] [^9] [^10] [^11] [^12] [^13] [^14] [^15] [^16] [^17] [^18] [^19] [^20] [^21] [^22] [^23] [^24]），推测为机器人/视觉类会议论文；venue 与年份在文档中未明确给出（Module A 已确认）。\n\n### 2. 背景与研究背景\n\n- **问题源头**：3DGS [^1] 使照片级建图与低延迟渲染成为可能，但早期将其引入 SLAM 的工作以相机为中心：需要大量视角才能构建稠密地图，且在弱纹理（如白墙）、光照变化下跟踪与建图易失败；RGB-D 相机虽缓解深度歧义，但量程短、强阳光下户外不可靠（第 I 节）。\n- **转向 LiDAR 的动机**：LiDAR 可在数百米范围、多样条件下稳定获取精确 3D 点，有望把 3DGS 从室内小场景扩展到大尺度户外环境（第 I 节、Fig. 1）。\n- **LiDAR + 3DGS 的两大新挑战**（第 I 节、第 II-C 节）：\n  1) 照片级渲染对位姿误差极其敏感，现有 LiDAR 方法多只做关键帧级稀疏位姿图优化，缺乏面向渲染质量的稠密表面级对齐；\n  2) 天空等未观测区域或远处稀疏点处，高斯易畸变或无节制生长，遮挡后方已优化好的 splat，降低地图保真度。\n- **本文定位**：在线（实时）LIV SLAM，将 3DGS 与基于 surfel 的全局几何优化紧耦合，同时兼顾轨迹一致性、渲染质量与建图效率（摘要、Fig. 2）。\n\n### 3. 直觉正确性检查（关键假设是否合理）\n\n- **假设 1：将 surfel-to-surfel 约束加入位姿图可提供超越轨迹校正的表面级对齐** —— 合理。残差与协方差构造直接沿用 G-ICP 框架 [^19]（Eq. 15–17），思想源自 Elastic LiDAR Fusion [^13][^14]，有成熟方法学支撑；Table I 中 Ours 在三条序列 ATE 全面最优（0.528/0.529/0.498 m）提供实证支持。\n- **假设 2：按投影像素足迹（而非欧氏距离）初始化高斯尺度可跨深度稳定** —— 合理。投影 Jacobian 各项随深度 Z 增大而减小（Eq. 6），故按 2D 投影面积反推 3D 尺度（Eq. 7–8）在几何上自洽（Fig. 3）；Table II/III 显示 Ours(5pixel) 在 6 个数据集中 5 个取得最小地图（如 Retail 31.0 MB、SYSU01 24.7 MB），PSNR 仅轻微下降。\n- **假设 3：有界 sigmoid 将尺度限制在 [σ_min, σ_max] 可抑制未观测区域高斯疯长** —— 合理且被消融证实：Table IV 中加入 BS 后 max σ 从数百量级（如 CBD02 的 690.23）降至约 0.43。\n- **假设 4：IMU 预积分仅作初值、无需显式 IMU 代价项**（第 III-A 节）—— 基本合理（几何 ICP + 光度残差已提供强约束），但在剧烈运动或退化场景下初值质量可能下降，论文未做压力测试，属潜在风险点。\n- **假设 5：固定权重 λ_photo=0.5、λ_ssim=0.2、λ_surfel=1.0 跨场景通用**（Eq. 4、9、18）—— 属经验设定，论文未做敏感性分析，是可复现性上的小缺口。\n- **总体判断**：核心假设在几何推导与实验证据两个层面均站得住脚，未发现明显违背常识的断言。\n\n### 4. 核心贡献（3–5 条）\n\n1) **在线 LIV-3DGS 框架 + Surfel Bundle Adjustment（SBA）**：将 3DGS 与 surfel 级束调整紧耦合，在测试的户外序列上取得在线 3DGS 方法中有竞争力的轨迹精度与渲染质量（第 I 节贡献 1；Table I–III）。\n2) **深度不变高斯初始化**：以投影像素足迹（n=1 或 5 像素）确定尺度，显著压缩地图体积而 PSNR 损失很小（第 I 节贡献 2；Eq. 5–8；Table II/III）。\n3) **有界 sigmoid 重参数化**：将可学习尺度约束到有界范围 [σ_min, σ_max]，抑制稀疏观测区域的过度生长（第 I 节贡献 3；Eq. 12–13；Algorithm 1；Table IV）。\n4) **六数据集综合评测**：覆盖公开数据集（FAST-LIVO2、MARS-LVIG、Botanic Garden）与自采数据集（Reception、Demo room），与离线/在线基线全面对比（第 I 节贡献 4；第 IV-A 节）。\n\n### 5. 清晰度评估\n\n- **结构**：标准 IMRaD（I 引言 → II 相关工作 → III 方法 → IV 实验 → V 结论），方法节按“里程计 → 初始化 → 局部建图 → 全局建图”递进，与 Fig. 2 系统总览图一一对应，逻辑清晰。\n- **图表**：Fig. 1（效果展示）、Fig. 2（系统总览）、Fig. 3（初始化原理）、Fig. 4（滑窗优化）、Fig. 5（采集平台）、Fig. 6–8（轨迹/渲染/消融可视化）覆盖全面；Table I–IV 分别对应轨迹精度、两组渲染对比与消融实验，并标注最优/次优结果。\n- **公式**：Eq. 1–18 编号连续，符号定义基本完整（如投影函数 π(·)、Mahalanobis 范数、协方差变换）。\n- **可读性问题**：\n  - Algorithm 1 伪代码第 8–10 行在文档中排版不完整（自适应上界下调分支的 InverseBoundedSigmoid 逻辑被截断，需结合 Eq. 12–13 推断）；\n  - 作者机构脚注缺失，编号 1/2/3 无法对应具体单位；\n  - 参考文献 [^5] 条目明显损坏（“T. Shan, B. Engl. VI-SAM...”）；\n  - venue 与年份未标注，引用时需按预印本谨慎处理。\n- **总体**：正文可读性良好，主要瑕疵集中在伪代码排版与元数据缺失，不影响方法主线的理解。\n\n### 6. 继续或停止建议\n\n- **建议：继续深入阅读（进行第二遍/第三遍精读）。**\n- **理由**：\n  1) 方法链条完整且细节充分（Eq. 1–18 + Algorithm 1–2），具备复现分析与批判性评估价值；\n  2) 实验覆盖轨迹精度、渲染质量、地图大小、耗时与消融五个维度、六个数据集，证据链较扎实；\n  3) 对从事 LiDAR-视觉-惯性 SLAM、3DGS 实时建图的研究者有直接参考价值。\n- **注意事项**：无开源代码与自采数据集链接，第三方复现 Table I–IV 成本较高；Algorithm 1 不完整处需自行推断。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# LIVE-GS 论文概览\n\n## I. 引言\n\n### 相机中心 3DGS SLAM 的局限\n\n### LiDAR 集成的两大新挑战\n\n### 四项贡献\n\n## II. 相关工作\n\n### 离线 3DGS（预计算位姿）\n\n### 在线视觉中心 3DGS\n\n### 在线 LiDAR-惯性-视觉 3DGS\n\n## III. 方法（双地图架构）\n\n### A. LIV 里程计（Eq.1–4）\n\n### B. 深度不变初始化（Eq.5–8, Fig.3）\n\n### C. 局部 GS 建图（Eq.9–13, Alg.1, Fig.4）\n\n### D. 全局 GS 建图（Eq.14–18, Alg.2）\n\n## IV. 实验\n\n### A. 设置：6 数据集 + 手持平台（Fig.5）\n\n### B. 轨迹精度（Table I, Fig.6）\n\n### C. 渲染对比（Table II/III, Fig.7）\n\n### D. 消融：BS 与 SBA（Table IV, Fig.8）\n\n## V. 结论与未来工作\n\n### 局限：无 LiDAR 深度监督、动态物体、恶劣天气\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## Module C1：论文要解决什么问题？\n\n### 1. 一句话问题定义\n\n论文旨在解决：如何在大尺度（尤其是室外）环境中实现**在线（实时）的 LiDAR-惯性-视觉 SLAM**，使 3D Gaussian Splatting（3DGS）建图同时具备**全局几何一致性（高精度轨迹）**与**照片级渲染质量**，并抑制稀疏观测区域高斯的失控增长（摘要、第 I 节、Fig. 2）。\n\n### 2. 痛点与现有方法的不足\n\n- **视觉中心 3DGS-SLAM 的固有缺陷**：需要大量视角才能构建稠密地图，且在弱纹理区域（如白墙）、光照变化下跟踪与建图易失败；RGB-D 相机虽缓解深度歧义，但作用距离短、强阳光下户外不可靠（第 I 节、第 II-B 节）。\n- **离线 LiDAR-3DGS 方法位姿与建图分离**：GS-SDF、LetsGo 等先固定位姿再优化地图，早期位姿误差被固化并传播为最终地图中的鬼影伪影，不适合在线部署（第 II-A 节）。\n- **现有 LIV-3DGS 方法缺乏稠密表面级全局约束**：Gaussian-LIC、LI-GS、HGS-Mapping 仅依赖稀疏位姿图优化，在关键帧级别对齐轨迹，但照片级渲染对位姿误差极其敏感，残余位姿不一致会降低渲染质量（第 I 节、第 II-C 节）。\n- **标准 kNN 初始化不适配 LiDAR 非均匀密度**：对天空等未观测区域或远处稀疏点，会产生病态的过大高斯，膨胀内存、拖慢渲染，并遮挡后方已正确优化的 splat，降低地图保真度（第 I 节、第 II-C 节、第 III-B 节）。\n\n### 3. 形式化目标 / 优化目标\n\n系统由三级优化目标构成（第 III 节）：\n\n- **前端里程计**：联合几何 ICP 残差与光度残差估计关键帧间相对位姿（第 III-A 节，Eq. 1–4）：\n  `L_odom = Σ||e_icp||² + λ_photo·Σ||e_photo||²`，其中 `λ_photo = 0.5`；IMU 预积分仅提供初值，无显式 IMU 代价项。\n- **滑窗局部建图**：最小化渲染损失并约束高斯尺度（第 III-C 节，Eq. 9–13）：\n  `L_render = (1−λ_ssim)·L_L1 + λ_ssim·L_D-SSIM`（`λ_ssim = 0.2`）；尺度经有界 sigmoid 重参数化 `σ_bounded = σ_min + (σ_max−σ_min)·sigmoid(s)`，并由 Algorithm 1 自适应调整上界 σ_max。\n- **全局后端**：融合里程计约束与 surfel-to-surfel 几何约束的位姿图优化（第 III-D 节，Eq. 14–18）：\n  `L_global = Σ||e_pose(i,j)||²_{Σ_odom} + λ_surfel·Σ||e_surfel(i,j)||²_{C_ij}`（`λ_surfel = 1.0`），用 iSAM2 增量求解；随后仅对受回环影响的关键帧关联高斯做二次渲染精化（Eq. 17–18、Algorithm 2）。\n\n### 4. 成功判据（指标与期望性质）\n\n- **轨迹精度**：ATE 与 Z-RMSE（Botanic Garden 数据集，厘米级 RTK-GPS 真值；Table I、Fig. 6）——Ours 在三个序列上 ATE 均最优（0.528 / 0.529 / 0.498 m）。\n- **渲染保真度**：PSNR（Table II/III、Fig. 7）——Ours(1pixel) 在 CBD02、Retail、airport03 上 PSNR 最高（如 CBD02 达 27.5 dB）。\n- **地图与时间效率**：最终地图大小（MB）与全序列处理时长（Dur., s）（Table II/III）——Ours(5pixel) 在六个数据集中五个取得最小地图（如 Retail 31.0 MB、SYSU01 24.7 MB），且自采数据集上处理最快（96 s）。\n- **尺度可控性**：最大高斯尺度 max σ（Table IV 消融、Fig. 8）——BS+SBA 组合在所有数据集上 PSNR 最佳且 max σ 被压至亚米级（0.11–0.43），验证两组件缺一不可。\n- **期望系统性质**：在线运行、全局几何一致、照片级渲染、适用于大尺度室外与室内场景（摘要、Fig. 1、第 IV-A 节实验设置）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2：相关工作分析（What related work matters here?）\n\n### 1. 最强基线与对比轴\n\n论文在两条评测轴上选取了不同基线（第 IV-A 节、Table I–III、Fig. 6–7）：\n\n### （a）轨迹精度轴（Table I、Fig. 6，Botanic Garden 数据集，厘米级 RTK-GPS 真值）\n\n- **传统 LIV 基线**：FAST-LIVO2 [^6]、R3LIVE [^22]。\n  - 最强者为 FAST-LIVO2：Seq. 07 上 Z-RMSE 最佳（0.281 m），归因于其直接 LiDAR 特征对齐对垂直漂移的强约束（第 IV-B 节）；但其 ATE（0.784 m）仍逊于本文（0.498 m）。\n- **LIV-3DGS 基线**：GS-LIVM [^24]、Gaussian-LIC [^10]。\n  - 最强者为 GS-LIVM：Seq. 01 ATE 0.557 m 具竞争力，但 Seq. 07 恶化至 1.785 m，说明朴素 LIV+3DGS 集成难以维持长程一致性（第 IV-B 节）。\n- **对比轴**：ATE（m）↓、Z-RMSE（m）↓。\n\n### （b）渲染质量与效率轴（Tables II/III、Fig. 7，六个数据集）\n\n- **离线基线**：GS-SDF [^3]（30k 迭代）、LetsGo [^4]（15k 迭代）。\n  - 最强者：LetsGo 在 Retail 上 PSNR 29.0 dB、GS-SDF 在 Demo room 上 28.1 dB；但代价是高耗时（GS-SDF 在 SYSU01 达 1752 s）与大地图（LetsGo 在 SYSU01 达 307.5 MB）（第 IV-C 节）。\n- **在线基线**：Photo-SLAM [^8]、GS-ICP-SLAM [^7]。\n  - 最强者：Photo-SLAM（Retail 28.3 dB、Demo room 28.1 dB）；GS-ICP-SLAM 在大尺度室外 airport03 上完全失败（Table III 中 \"-\" 标记）。\n- **对比轴**：PSNR（dB）↑、Map 大小（MB）↓、全序列处理时长 Dur.（s）↓。\n\n**消融轴**（Table IV、Fig. 8）：以自身变体 BS(×/○) × SBA(×/○) 隔离 Surfel Bundle Adjustment 与 Bounded Sigmoid 的各自与联合贡献。\n\n### 2. 最接近的方法与关键差异（Method -> core idea -> limitation）\n\n按亲缘度从近到远：\n\n- **GS-LIVM [^24]（最近邻，同为在线 LIV-3DGS 建图）**\n  - Method：LiDAR-惯性-视觉融合的实时高斯建图（ICCV 2025）。\n  - Core idea：以 LIV 里程计位姿驱动 3DGS 在线优化。\n  - Limitation：仅稀疏位姿图约束，长序列漂移累积（Seq. 07 ATE 1.785 m vs 本文 0.498 m，Table I）；未处理 LiDAR 稀疏区域的病态高斯。\n  - 关键差异：本文引入 surfel-to-surfel 表面级约束的 SBA（Eq. 14–18、Algorithm 2）+ 深度不变初始化 + 有界 sigmoid，实现全局几何一致与紧凑地图。\n\n- **Gaussian-LIC [^10]**\n  - Method：LiDAR-Inertial-Camera 融合 + 3DGS 实时 SLAM。\n  - Core idea：在 LIC 里程计之上挂载高斯地图。\n  - Limitation：保留视觉中心内核，轨迹漂移与渲染伪影（第 II-C 节；Table I 中三序列 ATE 均最差：1.812/0.783/2.832 m）。\n  - 关键差异：本文以 LiDAR surfel 几何为主导约束，光度项仅以 λ_photo=0.5 降权辅助（Eq. 4）。\n\n- **LI-GS [^11] / HGS-Mapping [^12]**\n  - Method：LiDAR 融合的大尺度高斯重建 / 城市场景在线混合高斯稠密建图。\n  - Core idea：成功融合 LiDAR 与 3DGS 的传感器互补优势。\n  - Limitation：依赖稀疏（关键帧级）位姿图优化，缺乏真实感渲染所需的稠密表面级约束；继承原始 3DGS 的 kNN 初始化，不适合 LiDAR 非均匀密度，对稀疏远距点产生大量病态高斯，导致内存膨胀、渲染变慢（第 II-C 节）。\n  - 关键差异：本文的深度不变初始化（Eq. 5–8、Fig. 3）按像素投影足迹定标，与深度/密度解耦；有界 sigmoid（Eq. 12–13、Algorithm 1）抑制未观测区域（天空、远景）高斯失控生长。\n\n- **离线方法 GS-SDF [^3] / LetsGo [^4]（上游范式）**\n  - Method：预计算位姿（SfM/COLMAP [^2] 或 LIO [^5][^6]）后离线优化高斯地图。\n  - Core idea：3DGS [^1] 范式 + LiDAR 正则化提升几何精度（GS-SDF）/ LiDAR 轨迹辅助大场景建模（LetsGo）。\n  - Limitation：定位与建图分离，早期位姿误差在优化开始前固化，最终地图出现 ghosting 伪影，不适合在线部署（第 II-A 节）；计算/存储开销大（Tables II/III）。\n  - 关键差异：本文在线紧耦合定位与建图，前端-后端闭环反馈（Fig. 2）。\n\n- **在线视觉中心方法 Photo-SLAM [^8] / GS-ICP-SLAM [^7] / SplaTAM [^9]**\n  - Method：视觉/RGB-D SLAM + 在线 3DGS。\n  - Core idea：分别以光度 ICP（GS-ICP-SLAM）、特征跟踪（Photo-SLAM）、RGB-D 几何正则（SplaTAM）驱动跟踪与建图。\n  - Limitation：纹理贫乏/光照突变下跟踪失败；RGB-D 量程短、强光下不可靠，限于室内小场景；未观测区域高斯失控生长遮挡后方 splat（第 I、II-B 节；airport03 上 GS-ICP-SLAM 完全失败，Table III）。\n  - 关键差异：本文以 LiDAR 提供数百米级稳健深度，摆脱对纹理与光照的依赖。\n\n### 3. 正交方向\n\n- **传统 LIV 状态估计（FAST-LIVO2 [^6]、R3LIVE [^22]）**：专注轨迹/状态精度与几何建图，不产出真实感渲染；本文将其作为轨迹精度参照系（Table I），而非直接竞品。\n- **Surfel 地图中心 SLAM（Elastic LiDAR Fusion [^13][^14]、Probabilistic Surfel Fusion [^16]）**：本文双地图架构与 surfel 约束的直接灵感来源（第 III 节开头明确说明受其启发），属于被吸收的基础技术而非对比对象。\n- **组件级技术**：G-ICP [^19]（回环残差形式，Eq. 15–16）、iSAM2 [^20]（增量位姿图求解）、IMU 预积分 [^15]、SVO 式稀疏视觉跟踪 [^17]、D-SSIM [^18]——均为本文复用的工具层，不构成方法级对比。\n- **论文自述的未来正交扩展（第 V 节）**：LiDAR 深度监督高斯优化、动态物体时序建模、恶劣天气下的学习先验外观分解——当前版本均未涉及，属于留白的相邻方向。\n\n### 4. 一句话定位\n\nLIVE-GS 是一个将 LiDAR surfel 束调整（SBA）与 3DGS 紧耦合的在线 LiDAR-惯性-视觉 SLAM 框架：针对现有 LIV-3DGS 方法（GS-LIVM、Gaussian-LIC、LI-GS、HGS-Mapping）\"稀疏位姿图缺乏表面级全局一致约束 + kNN 初始化在稀疏 LiDAR 下产生病态高斯\"两大痛点，提出 surfel-to-surfel 回环约束、深度不变初始化与有界 sigmoid 尺度控制，从而在六个数据集上同时取得优于在线 3DGS 基线的轨迹精度（Table I）与可比渲染质量下更小的地图和更短的耗时（Tables II/III）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题？\n\n### 1. 核心机制概述（浅层理解）\n\nLIVE-GS 的解题思路可概括为「双地图架构 + 三大针对性机制」（第 III 节、Fig. 2）：\n\n- **双地图架构**：稀疏 surfel 地图负责高效、鲁棒的定位；稠密 3D Gaussian 地图负责照片级渲染。两图共享同一套关键帧位姿，由后端统一维护并反馈给前端，保证长期一致性（第 III 节开头；设计灵感来自 Elastic LiDAR Fusion [^13][^14]）。\n- **机制一（针对挑战：全局几何一致性不足）**：Surfel Bundle Adjustment（SBA）——在全局位姿图中引入 surfel-to-surfel 表面级约束，使回环后的对齐精度达到照片级渲染所需的面元级别，而非仅关键帧轨迹级（第 I 节、第 III-D 节、Eq. 14–16）。\n- **机制二（针对挑战：LiDAR 数据稀疏导致初始化不良）**：深度不变高斯初始化（Depth-Invariant Gaussian Initialization）——以「投影到图像平面后的像素足迹」而非欧氏距离/局部点密度确定高斯尺度，使远近物体的高斯在图像上具有一致大小（第 III-B 节、Eq. 5–8、Fig. 3）。\n- **机制三（针对挑战：未观测区域高斯无界增长）**：有界 sigmoid 重参数化（Bounded Sigmoid）——把可学习尺度参数映射到有界区间 [σ_min, σ_max]，并用 Algorithm 1 依据尺度饱和比例自适应调整上界（第 III-C 节、Eq. 12–13）。\n\n**推理链**：第 II-C 节指出已有 LIV-3DGS 方法（Gaussian-LIC [^10]、LI-GS [^11]、HGS-Mapping [^12]）的两大缺陷——(a) 仅用稀疏位姿图优化，缺乏照片级渲染所需的稠密表面级约束；(b) 沿用原始 3DGS 的 kNN 初始化，在 LiDAR 非均匀密度下于远处产生大量畸形大高斯。本文三个机制正是逐一针对这些缺陷设计，且 Table IV 消融实验验证了 SBA 与 BS 的独立及联合贡献。\n\n### 2. 分步流程拆解（中层分析）\n\n- **Step 1 — 状态传播**：用 IMU 预积分 [^15] 将系统状态（位姿、速度、偏置）从关键帧 i 传播到 j，为优化提供初值；因此代价函数中无需显式 IMU 项（第 III-A 节）。\n- **Step 2 — 几何约束**：从每个关键帧的 LiDAR 点云提取 surfel，在相邻帧间建立对应 [^16]，对每对匹配 surfel (p_i, p_j) 及法线 n_j 构造 point-to-plane ICP 残差（Eq. 1）。\n- **Step 3 — 光度约束**：从图像选取稀疏特征点并跨关键帧跟踪 [^17]，直接比较像素强度构造光度残差（Eq. 2），投影函数 π 见 Eq. 3，强度采用双线性插值。\n- **Step 4 — 里程计联合优化**：L_odom = Σ‖e_icp‖² + λ_photo·Σ‖e_photo‖²（Eq. 4），λ_photo = 0.5 用于平衡度量级 ICP 残差与强度级光度残差的量纲差异；精化后的相对位姿作为全局位姿图的里程计约束（第 III-A 节）。\n- **Step 5 — 关键帧管理**：当相对平移或旋转超过阈值时创建新关键帧（第 III 节、Fig. 2）。\n- **Step 6 — 深度不变高斯初始化**（第 III-B 节、Fig. 3）：\n  1. 对每个 LiDAR 点用 KNN + PCA 求旋转矩阵 R，初始化切平面各向异性尺度 σ_x²、σ_y² 与法向尺度 σ_z²，得 Σ_3D = R·diag(σ_x², σ_y², σ_z²)·Rᵀ（Eq. 5）；\n  2. 用投影 Jacobian J（Eq. 6）将 3D 协方差投影为 2D：Σ_2D = J·Σ_3D·Jᵀ（Eq. 7）。深度 Z 越大 J 元素越小、投影越小——这正是 kNN 初始化在远处失效的几何根源；\n  3. 计算目标面积 A_target = πn²/4（n=1 或 5 像素）与原始投影面积 A_origin = π·√det(Σ_2D) 之比 k（Eq. 8），将所有 σ 乘以 √k（因 Σ ∝ σ²，投影面积即放大 k 倍）。\n- **Step 7 — 滑窗局部 GS 建图**（第 III-C 节、Fig. 4）：\n  - 渲染采用 alpha compositing（Eq. 9），高斯按投影深度从前到后排序；\n  - 损失 L_render = (1−λ_ssim)·L_L1 + λ_ssim·L_D-SSIM（Eq. 10），λ_ssim = 0.2；\n  - 尺度约束：σ_bounded = σ_min + (σ_max − σ_min)·sigmoid(s)（Eq. 12），逆映射见 Eq. 13；\n  - 自适应上界（Algorithm 1）：统计饱和比例——max σ > 0.95σ_max 的占比 > 0.15 时将 σ_max 放大 1.2 倍；max σ < 0.05σ_max 的占比 > 0.95 时缩小上界，在 BoundedSigmoid 与 InverseBoundedSigmoid 之间换算，维持 splat 尺寸分布均衡；\n  - 两阶段交替优化：先固定高斯、以几何损失 e_icp 精化窗口内 K 个位姿；再固定位姿、以 L_render 精化可见高斯；窗口滑动时边缘化最老位姿 T_{i−K} 及其关联高斯，保持问题规模固定。\n- **Step 8 — 全局建图 / SBA**（第 III-D 节）：\n  - 位姿图节点 = 关键帧；边 = ①前端里程计约束（保证连续性）+ ②时空上相距较远关键帧间的 surfel-to-surfel G-ICP 对齐 [^19]（长程结构保持项）；\n  - surfel 残差 e_surfel(i,j)（Eq. 14）配合匹配对组合协方差 C_ij = Σ_i + ᵢR_j·Σ_j·ᵢR_jᵀ（Eq. 15）；对应点由最近邻搜索获得，超过 Mahalanobis 距离阈值的对被剔除为离群点；\n  - 全局代价（Eq. 16）：L_global = Σ‖e_pose‖²_{Σ_odom} + λ_surfel·Σ‖e_surfel‖²_{C_ij}，λ_surfel = 1.0；\n  - 求解器：iSAM2 [^20] 增量更新，仅重线性化受影响部分，支撑长期运行的可扩展性。\n- **Step 9 — 高斯一致性维护与二次精化**（第 III-D 节、Algorithm 2）：\n  - 位姿图收敛后，对受精化影响的关键帧关联高斯施加刚体变换：p_G^new = R_T^opt·p_G^old + t_T^opt，R_G^new = R_T^opt·R_G^old（Eq. 17–18）；\n  - 随后固定位姿，仅对受影响高斯批次 G_refined 用 Adam 优化外观参数（尺度、不透明度、球谐系数），复用 Eq. 10 的渲染损失（Eq. 19），在恢复视觉保真的同时把计算限制在受影响区域。\n\n### 3. 关键公式与模块角色（深层对应）\n\n| 公式/算法 | 所属模块 | 角色 |\n|---|---|---|\n| Eq. 1 (e_icp) | 前端里程计 | surfel 点到面残差，几何定位主约束 |\n| Eq. 2–3 (e_photo, π) | 前端里程计 | 光度残差与投影函数，补充纹理信息 |\n| Eq. 4 (L_odom) | 前端里程计 | 几何+光度联合代价，λ_photo=0.5 |\n| Eq. 5–8 | 深度不变初始化 | 3D/2D 协方差与 √k 面积缩放，保证投影足迹一致 |\n| Eq. 9 | 局部建图 | alpha compositing 渲染方程 |\n| Eq. 10 (L_render) | 局部/全局建图 | L1 + D-SSIM 渲染损失，λ_ssim=0.2 |\n| Eq. 12–13 + Algorithm 1 | 局部建图 | 有界 sigmoid 及自适应上界，抑制无界增长 |\n| Eq. 14–16 | 全局建图（SBA） | surfel 残差、组合协方差、全局代价，λ_surfel=1.0 |\n| Eq. 17–18 + Algorithm 2 | 全局建图 | 高斯刚体更新与外观二次精化 |\n\n### 4. 系统流程图\n\nmermaid\nflowchart TD\n  A[\"同步 LiDAR-相机-IMU 数据流\"] --> B[\"IMU 预积分传播，给出初始位姿\"]\n  B --> C[\"LIV 里程计: Eq.1 ICP 残差 + Eq.2-3 光度残差 → Eq.4 联合优化\"]\n  C --> D{\"相对平移/旋转超阈值?\"}\n  D -- 是 --> E[\"创建关键帧 + 深度不变高斯初始化 Eq.5-8\"]\n  D -- 否 --> C\n  E --> F[\"滑窗局部建图: Eq.9-10 渲染损失, Eq.12-13 有界 sigmoid, Algorithm 1 自适应上界\"]\n  F --> G[\"全局位姿图优化 iSAM2: Eq.14-16 surfel-to-surfel SBA\"]\n  G --> H{\"检测到回环?\"}\n  H -- 是 --> I[\"高斯刚体更新 Eq.17-18 + Adam 外观二次精化 Algorithm 2\"]\n  H -- 否 --> J[\"更新地图反馈前端\"]\n  I --> J\n  J --> C\n``n\n\n### 5. 机制—问题—证据对应（推理链收束）\n\n- **挑战：位姿误差对照片级渲染极其敏感，仅位姿图校正不够**（第 I 节）→ SBA 的 surfel-to-surfel 约束（Eq. 14–16）→ 证据：Table I 中 Ours 在 Botanic Garden 三条序列 ATE 全部最优（0.528/0.529/0.498 m），第 IV-B 节将长序列漂移抑制归因于 SBA。\n- **挑战：稀疏/远距 LiDAR 点使 kNN 初始化产生畸形大高斯**（第 I、II-C 节）→ 深度不变初始化（Eq. 5–8）→ 证据：Table II/III 中 Ours(5pixel) 在 6 个数据集中 5 个取得最小地图（如 Retail 31.0 MB、SYSU01 24.7 MB），PSNR 仅轻微下降（CBD02：27.5→27.0 dB，地图缩减 4.3×）。\n- **挑战：天空等未观测区域高斯失控增长并遮挡后方 splat**（第 I、II-B 节）→ 有界 sigmoid + 自适应上界（Eq. 12–13、Algorithm 1）→ 证据：Table IV 中启用 BS 后 max σ 从数十至数百量级压至 0.1–0.43；SBA+BS 组合在全部测试数据集上 PSNR 最优，说明全局一致位姿与紧凑高斯缺一不可。\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4：数据集、基准与实现/评测设置\n\n### 1. 数据集与基准清单（名称 / 规模 / 场景）\n\n论文共使用 **6 个数据集**（4 个公开 + 2 个自采），覆盖大规模室外与小型室内（第 IV-A 节）：\n\n| 数据集 | 序列 | 规模/场景 | 主要用途 |\n|---|---|---|---|\n| FAST-LIVO2 [^6] | Retail_Street (Retail)、CBD02、SYSU_01 (SYSU01) | 大规模城市街道室外场景 | 渲染质量对比（Table II） |\n| MARS-LVIG [^21] | airport03 | UAV 采集的海岸地形，挑战性室外环境 | 渲染质量对比（Table III） |\n| Botanic Garden [^22] | Seq. 00 / 01 / 07 | 室外，提供**厘米级 RTK-GPS 真值** | 轨迹精度评估（Table I、Fig. 6） |\n| 自采：Reception | 1 条序列 | 办公类室内，几何受限、纹理有限；玻璃墙暴露远处室外区域（室内外混合） | 渲染对比（Table III）+ 消融（Table IV） |\n| 自采：Demo room | 1 条序列 | 展厅式室内，近距采集导致点云相对场景范围稀疏 | 渲染对比（Table III） |\n\n### 2. 预处理与划分/覆盖设置\n\n- **传感器标定**：自采数据集的相机内参与 LiDAR-相机外参使用 motion-based 无目标标定工具 [^23] 标定（第 IV-A 节）。\n- **时间同步**：定制手持平台（Livox AVIA 与 MID-360 两种配置，均集成 IMU 与相机，Fig. 5）实现 LiDAR-相机-IMU **硬件级同步**，避免软同步误差传播进建图。\n- **关键帧策略**：相对平移或旋转超过阈值时创建关键帧（第 III 节开头），滑窗内保留最近 K 个关键帧（Eq. 9、Fig. 4）。\n- **方法变体（覆盖设置）**：深度不变初始化报告 Ours(1pixel) 与 Ours(5pixel) 两个变体，对应目标投影足迹直径 n=1 与 n=5 像素（Eq. 8、第 IV-A 节），用于刻画质量-存储权衡。\n- **基线设置**：渲染对比含离线方法 GS-SDF（30k 迭代）、LetsGo（15k 迭代）与在线方法 Photo-SLAM、GS-ICP-SLAM（Tables II–III）；轨迹对比基线分两类——传统 LIV（FAST-LIVO2、R3LIVE）与 LIV-3DGS（GS-LIVM、Gaussian-LIC）（第 IV-A/B 节）。\n- **数据划分**：无训练/测试划分概念；渲染指标（PSNR）在观测图像上计算，轨迹指标（ATE、Z-RMSE）对齐 RTK-GPS 真值评估。\n\n### 3. 训练 / 推理 / 评测环境\n\n- **硬件**：AMD Ryzen 9 7900 CPU、64GB RAM、NVIDIA RTX 4090 GPU 的台式机（第 IV-A 节）。\n- **优化器/求解器**：全局位姿图用 iSAM2 [^20] 增量求解（Eq. 18）；回环后受影响高斯的二次精化用 Adam 优化器（第 III-D 节）。\n- **评测指标**：轨迹 ATE 与 Z-RMSE（Table I）；渲染 PSNR、最终地图大小（MB）、全序列处理时长（s）（Tables II–III）；消融另报最大高斯尺度 max σ（Table IV）。\n\n### 4. 选择理由与验证目标\n\n- **场景覆盖广度**：城市街道（FAST-LIVO2）、海岸/机场（MARS-LVIG）、室内办公/展厅（自采）横跨 LiDAR 远距离稀疏、纹理贫乏、光照变化等难点，验证系统在“大规模室外 + 小型室内”双域的泛化性（第 IV-A 节、Fig. 1）。\n- **厘米级真值支撑定位结论**：Botanic Garden 的 RTK-GPS 真值使 ATE/Z-RMSE 定量结论可信，支撑“surfel SBA 抑制长程漂移”的核心主张——Ours 在三条序列上 ATE 均最优（0.528/0.529/0.498 m，Table I、Fig. 6）。\n- **硬件级同步 + 无目标标定**：保证自采数据多传感器一致性，使 Reception/Demo room 上的渲染结论不因标定/同步误差失真，同时展示系统实际部署形态（Fig. 5）。\n- **双变体设计量化权衡**：1pixel vs 5pixel 直接验证深度不变初始化的密度控制能力——CBD02 地图从 235.0 MB 降至 55.2 MB（4.3×），PSNR 仅从 27.5 降至 27.0 dB；Demo room 上 5pixel 反超 1pixel（28.3 vs. 25.5 dB），因近距稀疏点云需更大足迹覆盖（第 IV-C 节）。\n- **消融场景针对性**：Reception 的玻璃墙室内外混合场景暴露“仅 BS 约束尺度、无 SBA 位姿校正”的失效模式（PSNR 24.5，低于组合的 26.7，Table IV、Fig. 8），验证 BS 与 SBA 互补必要性。\n- **在线 vs 离线对照**：离线基线（GS-SDF 在 SYSU01 耗时 1752 s；LetsGo 占 307.5 MB）开销大；在线基线室外易失效（GS-ICP-SLAM 与 GS-SDF 在 airport03 上算法失败，Table III）——对照凸显 LIVE-GS 兼得在线效率与室外鲁棒性。\n\n### 风险与缺口\n\n- 自采数据集（Reception、Demo room）未提供公开下载链接，第三方难以复现 Table III/IV 对应行；\n- FAST-LIVO2 与 MARS-LVIG 序列无轨迹真值，仅用于渲染评测，定位精度结论仅限 Botanic Garden；\n- 文档未给出各序列的时长/帧数等规模数字，规模只能从处理时长间接推断。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5：指标与结果\n\n### 1. 指标定义\n\n- **ATE（Absolute Trajectory Error，m）↓**：估计轨迹相对 RTK-GPS 真值的绝对平移误差，衡量全局定位精度（Table I；Botanic Garden 数据集提供厘米级真值，第 IV-A 节）。\n- **Z-RMSE（m）↓**：高度方向（z 轴）均方根误差，专门评估垂直漂移（Table I）。\n- **PSNR（dB）↑**：渲染图像与真值图像间的峰值信噪比，衡量重建/渲染保真度（Tables II–IV）。\n- **Map size（MB）↓**：最终 3D 高斯地图的存储大小（Tables II–III）。\n- **Duration（s）↓**：整条序列的总处理时间，衡量在线运行效率（Tables II–III）。\n- **max σ ↓**（消融专用）：高斯的最大尺度，用于检验 Bounded Sigmoid（BS）对高斯无节制增长的抑制效果（Table IV）。\n\n### 2. 主要结果（具体数字）\n\n### 轨迹精度（Table I，Botanic Garden 数据集）\n\n- Ours 在全部三条序列上取得最佳 ATE：Seq. 00 = 0.528 m、Seq. 01 = 0.529 m、Seq. 07 = 0.498 m。\n- Z-RMSE：Seq. 00 = 0.352 m、Seq. 01 = 0.177 m（均为最佳）；Seq. 07 = 0.286 m（第二，最佳为 FAST-LIVO2 的 0.281 m，第 IV-B 节）。\n\n### 渲染质量与效率（Tables II–III，六个数据集）\n\n- Ours(1pixel) 在 CBD02（27.5 dB）、Retail（29.2 dB）、airport03（20.0 dB）上 PSNR 最高。\n- Ours(5pixel) 在 SYSU01（27.9 dB）与 Demo room（28.3 dB）上 PSNR 最高。\n- Ours(5pixel) 在六个数据集中的五个取得最小地图：Retail 31.0 MB、SYSU01 24.7 MB、airport03 47.1 MB、Demo room 57.5 MB、Reception 26.8 MB。\n- 自采数据集 Reception 上处理最快（96 s）且地图最小（26.8 MB）。\n- 地图压缩效果：CBD02 上 Ours(5pixel) 相对 Ours(1pixel) 地图从 235.0 MB 降至 55.2 MB（4.3× 压缩），PSNR 仅从 27.5 降至 27.0 dB（第 IV-C 节）。\n\n### 3. 与基线/代表性先前工作的对比\n\n- **轨迹对比（Table I）**：\n  - 传统 LIV 方法：FAST-LIVO2（Seq. 00 ATE 1.190 m）、R3LIVE（Seq. 07 ATE 1.986 m）。\n  - 3DGS 方法：GS-LIVM 在 Seq. 01 有竞争力（0.557 m）但在 Seq. 07 退化至 1.785 m；Gaussian-LIC 全序列误差最高（Seq. 07 达 2.832 m）。论文据此指出朴素的 3DGS + LiDAR-惯性里程计集成不足以维持长期轨迹一致性，而 Ours 的 Surfel Bundle Adjustment（SBA）通过跨关键帧的 surfel-to-surfel 一致性约束抑制累积漂移（第 IV-B 节）。\n- **渲染对比（Tables II–III）**：\n  - 离线方法 GS-SDF（30k 迭代）与 LetsGo（15k 迭代）计算/存储开销大：GS-SDF 在 SYSU01 需 1752 s，LetsGo 在 SYSU01 占 307.5 MB；Ours 在保持可比 PSNR 的同时时间与存储更低。\n  - 在线方法鲁棒性不足：GS-ICP-SLAM 与 GS-SDF 在 airport03 大尺度室外场景完全失败（表中以 \"-\" 标注算法失败）。\n  - GS-ICP-SLAM 的 PSNR 普遍最低（CBD02 18.1 dB、SYSU01 18.3 dB、Retail 18.7 dB）。\n  - 定性对比见 Fig. 7（GT、渲染图与误差图逐数据集展示）。\n\n### 4. 消融、敏感性与跨方法综合\n\n## BS（Bounded Sigmoid）与 SBA 消融（Table IV + Fig. 8，第 IV-D 节）\n\n- 仅 SBA：提升 PSNR（CBD02 25.9→26.4 dB；Retail 27.6→27.9 dB；Reception 27.0→27.2 dB），但不控制高斯尺度，max σ 仍高达 599.54（CBD02）/154.07（Reception），过大 splat 模糊物体边界（Fig. 8 左上）。\n- 仅 BS：将 max σ 压至亚米级（0.43/0.34/0.12），恢复结构保真度；但在 Reception（玻璃墙暴露远处室外区域的室内场景）PSNR 降至 24.5 dB，说明单纯尺度约束无法补偿混合室内外场景的位姿失配。\n- BS+SBA 组合在所有数据集上最佳：CBD02 27.0 dB、Retail 28.1 dB、Reception 26.7 dB——SBA 提供全局一致位姿，BS 保证高斯空间紧凑，二者缺一不可。\n\n## 深度不变初始化的敏感性（n=1 vs n=5 像素目标足迹）\n\n- Ours(5pixel) 以轻微 PSNR 损失换取大幅地图压缩（如 CBD02 4.3× 压缩）。\n- 反例：Demo room 中 Ours(5pixel) PSNR（28.3 dB）反超 Ours(1pixel)（25.5 dB），原因是近距离采集使点云相对场景范围更稀疏，更大的初始像素足迹能更好覆盖稀疏区域、生成更完整的高斯（第 IV-C 节）。\n\n**跨论文差异综合**：与离线 3DGS（GS-SDF、LetsGo）相比，LIVE-GS 在线运行且存储/时间更低；与在线视觉方法（Photo-SLAM、GS-ICP-SLAM）相比，在大尺度室外与弱纹理场景更鲁棒；与 LIV-3DGS 方法（GS-LIVM、Gaussian-LIC）相比，通过 SBA 实现更一致的轨迹与更优渲染。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## Module C6：后续可探索方向（What could be explored next?）\n\n### 1. 浅层理解：论文自述的未来工作（第 V 节）\n\n论文在结论中明确给出三条延伸线索：\n\n- **深度监督缺失**：当前高斯优化仅使用渲染损失（Eq. 10–11），未显式利用 LiDAR 深度约束，导致无纹理或稀疏观测区域出现 floating Gaussians（第 V 节）。\n- **动态物体**：系统假设静态场景，作者提出引入 temporal modeling 处理动态目标（第 V 节）。\n- **恶劣天气外观分解**：计划引入 learned priors 做 appearance decomposition，以提升雨雾、光照剧变条件下的鲁棒性（第 V 节）。\n\n### 2. 中层分析：分方向探索清单\n\n#### 2.1 理论方向\n\n- **T1 几何-光度-深度三重联合优化框架**：将 LiDAR 深度残差（可类比 Eq. 1 的 point-to-plane 形式）加入渲染损失，研究深度项与 L1/D-SSIM 项（Eq. 11）的权重平衡与收敛性；可对照 GS-SDF [^3] 的 LiDAR 正则化思路，验证其对 floating Gaussians 的抑制效果（第 III-C 节、第 V 节）。\n- **T2 有界 sigmoid 重参数化的理论性质**：Eq. 12–13 与 Algorithm 1 的自适应上界 σ_max 调整目前为启发式规则（ratio_top > 0.15 时放大 1.2 倍、ratio_low > 0.95 时回缩），缺乏收敛性与稳定性分析；可将其建模为受约束优化的投影梯度或障碍函数形式，分析阈值震荡条件（第 III-C 节、Algorithm 1）。\n- **T3 surfel 协方差与高斯协方差的概率耦合**：全局优化中 surfel 匹配对的 G-ICP 协方差 C_ij（Eq. 16–17）已量化表面不确定性，理论上可将其传播为对应 3D 高斯的先验协方差，构建「定位不确定性 → 渲染不确定性」的统一概率模型（第 III-D 节）。\n- **T4 深度不变初始化的最优 footprint 理论**：Eq. 5–8 通过投影面积比 k 缩放尺度，实验仅测试 n=1/5 两种设置（第 IV-A 节）；可推导投影 footprint 大小与 PSNR/地图大小之间的帕累托前沿，并解释 Demo room 上 Ours(5pixel) 反超 Ours(1pixel) 的现象（Table III：28.3 vs 25.5 dB，近距采集导致点云相对场景偏稀疏）。\n\n#### 2.2 工程方向\n\n- **E1 嵌入式/机载实时部署**：当前实验平台为 RTX 4090 桌面 GPU + 64GB RAM（第 IV-A 节），而目标场景包含 UAV（airport03，MARS-LVIG [^21]）；需研究算子裁剪、半精度渲染与增量式滑窗优化（第 III-C 节的 marginalization 机制）在 Jetson 级设备上的可行性。\n- **E2 回环检测自动化**：Algorithm 2 中「if loop closure detected」依赖外部检测器，论文未描述具体检测机制；可集成 LiDAR place recognition（如 Scan Context 类方法）实现全局优化触发的全自动化（第 III-D 节）。\n- **E3 长期运行的地图管理**：滑窗边缘化（第 III-C 节）仅控制局部问题规模，全局高斯地图随探索持续增长；可引入子图划分、层级化 3DGS（hierarchical 3DGS）与基于视锥/重要性的剪枝，配合 iSAM2 [^20] 的增量更新特性支撑公里级长航时作业。\n- **E4 开源与硬件平台复现**：文档未提供代码与自采数据（Reception / Demo room）链接，Algorithm 1 伪代码第 8–10 行排版不完整；开源代码、标定工具链 [^23] 以及 Livox AVIA / MID-360 硬件级同步设计（Fig. 5）是社区复现的关键工程缺口。\n\n#### 2.3 数据/评测方向\n\n- **D1 评测指标扩展**：Tables II/III 仅报告 PSNR，缺少 SSIM、LPIPS 与几何精度指标（如 Chamfer Distance、深度误差）；渲染感知质量与几何一致性应分开量化，以单独验证 surfel-to-surfel 约束（Eq. 14–18）对几何的贡献。\n- **D2 场景覆盖扩展**：现有六数据集（第 IV-A 节）以晴好天气为主；应补充雨/雾/夜间、高动态交通与季节变化序列，直接检验第 V 节提出的恶劣天气假设。\n- **D3 自采数据集发布与基准化**：Reception / Demo room 无公开链接，且 Table IV 消融仅使用 Reception 一个序列；发布数据并提供 RTK 级真值可支撑第三方复现与公平对比。\n- **D4 超参数敏感性消融**：λ_photo=0.5（Eq. 4）、λ_ssim=0.2（Eq. 11）、λ_surfel=1.0（Eq. 18）、滑窗长度 K、footprint n=1/5 均为固定经验值；系统性扫描可界定方法的鲁棒区间。\n- **D5 基线扩展**：可加入 HGS-Mapping [^12]、LI-GS [^11] 等最新 LIV-3DGS 方法，以及更大规模城市序列（当前 airport03 已使 GS-SDF 与 GS-ICP-SLAM 完全失败，Table III），检验方法的可扩展性边界。\n\n### 3. 深层分析：优先级排序与开放研究问题\n\n- **最高优先级（理论+工程交汇）**：深度监督项（T1）——它同时回应第 V 节自述局限、Table IV 中 BS 单独使用在 Reception 上 PSNR 下降（24.5 vs 27.0 dB）所暴露的「尺度控制无法补偿位姿失配」问题，以及无纹理区域的 floating Gaussians。\n- **关键开放问题**：\n  1. 深度损失与光度损失在稀疏 LiDAR 区域如何自适应加权，才能既抑制高斯过度生长又不造成几何过平滑？\n  2. 自适应 σ_max（Algorithm 1）在长序列运行中是否会漂移？能否给出其有界性/收敛性证明？\n  3. surfel 不确定性（Eq. 16–17）传播到高斯参数后，能否替代或增强有界 sigmoid 的硬约束？\n  4. 混合室内-外场景（玻璃幕墙透出远处室外区域，Table IV Reception 案例）需要怎样的外观/几何先验？\n- **验证路径建议**：先在两个极端场景上验证 T1+E2——Reception（混合室内-外失效案例，Table IV）与 airport03（大规模场景基线失败案例，Table III），再扩展至天气扰动数据（D2），形成「理论改进 → 极端场景验证 → 基准扩展」的闭环研究路线。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7：真实世界部署视角（How would this show up in real-world use?）\n\n### 1. 浅层理解：部署形态与目标场景\n\n- **目标平台**：手持采集设备、机器人或无人机，面向大尺度室外（城市街道、海岸、机场）与室内（办公、展厅）环境的实时定位与照片级建图（第 I 节、第 IV-A 节、Fig. 1、Fig. 5）。\n- **传感器配置**：LiDAR（Livox AVIA / MID-360）+ 相机 + IMU，通过自定义手持设备实现**硬件级时间同步**（第 IV-A 节、Fig. 5）。\n- **计算平台**：实验使用桌面级工作站——AMD Ryzen 9 7900 CPU、64GB RAM、NVIDIA RTX 4090 GPU（第 IV-A 节），属于高端消费级 GPU 门槛。\n\n### 2. 中层分析：四大部署维度\n\n#### 2.1 部署约束（Deployment Constraints）\n\n- **硬件同步是硬性前提**：系统依赖 LiDAR-相机-IMU 的硬件级同步（第 IV-A 节）；若用软件时间戳对齐，光度残差（Eq. 2）与渲染损失（Eq. 10）都会因时间错位退化，论文未验证软同步方案。\n- **标定依赖外部工具链**：相机内参与 LiDAR-相机外参需用 motion-based 标定工具 [^23]（第 IV-A 节）获取；外参误差会同时污染前端里程计与后端 GS 地图，且论文未给出标定误差敏感性分析。\n- **算力门槛**：RTX 4090 级 GPU 是全部实验的基础，未在嵌入式平台（如 Jetson）验证；边缘端部署需额外压缩与优化。\n- **复现材料缺失**：文档未提供开源代码与自采数据集（Reception / Demo room）下载链接（Module A 校验），第三方落地需从零复现整条流水线。\n\n#### 2.2 计算/延迟影响（Compute/Latency Implications）\n\n- **在线架构设计**：前端对全局 surfel 图做低延迟跟踪，滑窗局部 GS 优化保持固定问题规模 K（第 III-C 节、Fig. 4）；新关键帧进入时边缘化最旧位姿，计算量不随时间增长。\n- **全程处理时间**（Tables II/III）：Ours 为 96s（Reception）至 334s（airport03），显著快于离线方法（GS-SDF 在 SYSU01 需 1752s、GS-SDF 在 Demo room 需 952s）；但论文未给出与序列真实时长的对比，严格意义上的实时率需自行测算。\n- **增量全局优化控制长时开销**：iSAM2 只更新受影响的位姿图部分、无需全量重线性化（第 III-D 节、Eq. 14–16）；回环后仅对受影响关键帧关联的高斯做刚体变换（Eq. 17–18）与二次外观精化（Eq. 19），把全局修正的计算限制在局部批次。\n- **存储-质量可调权衡**：Ours(5pixel) 在 5/6 数据集上地图最小（Retail 31.0 MB、SYSU01 24.7 MB、Reception 26.8 MB），CBD02 上地图从 235.0 MB 降至 55.2 MB（4.3× 缩减）而 PSNR 仅降 0.5 dB（27.5→27.0）（第 IV-C 节）；部署时可按存储预算选择 n=1 或 n=5 的投影足迹。注意 Demo room 上 5pixel 反而更优（28.3 vs 25.5 dB），因近距离采集点云相对场景更稀疏，大足迹初始化覆盖更好（第 IV-C 节）——即最优配置随场景尺度变化，需现场调参。\n\n#### 2.3 鲁棒性/安全性（Robustness/Safety Issues）\n\n- **相对优势**：LiDAR 主导几何约束，对弱纹理（白墙）、光照突变、强阳光鲁棒，作业距离达数百米（第 I、II 节）；对照实验中 GS-ICP-SLAM 与 GS-SDF 在大尺度室外 airport03 上完全失败（Tables II/III 中 \"-\"），本系统正常完成。\n- **已知退化/失效模式**（第 V 节明确承认）：\n  - **动态物体**未处理，时序建模留作未来工作；\n  - **恶劣天气**未验证，需引入 learned priors 做外观分解；\n  - **无 LiDAR 深度监督**参与高斯优化，无纹理/稀疏观测区域可能出现 floating Gaussians；\n  - **混合室内外场景**：玻璃墙暴露远处室外区域时，Bounded Sigmoid 单独使用会过度压缩远处覆盖导致 PSNR 下降（Reception 消融，第 IV-D 节、Table IV：BS(O)SBA(x) 24.5 dB vs BS(O)SBA(O) 26.7 dB），说明尺度约束与位姿一致性必须联合启用。\n- **精度安全边界**：Botanic Garden 上 ATE 为 0.498–0.529 m（Table I、Fig. 6），米级轨迹误差满足可视化与地图构建需求，但对安全关键应用（精密巡检、近距离避障、法律取证级测绘）不足，需叠加 RTK/GNSS 或更高精度定位冗余。\n- **复现风险点**：Algorithm 1（自适应 σ_max 调整）伪代码第 8–10 行排版不完整，饱和/过小比例阈值（0.15/0.95/0.05）与 1.2 增益的敏感性未讨论，工程实现时需自行补全并做压力测试。\n\n#### 2.4 可维护性（Maintainability）\n\n- **双地图解耦便于维护**：轻量 surfel 图负责定位、3DGS 图负责渲染（第 III 节、Fig. 2），定位通道故障时渲染图不受直接牵连，反之亦然；这为运行时降级策略（如回退到纯 LIO 定位）提供了天然接口。\n- **长期一致性内建**：回环触发全局位姿图优化 + 受影响高斯的刚体校正与外观精化（第 III-D 节、Algorithm 2），抑制长时漂移，减少人工重建设图的需求。\n- **地图存储可控**：单序列地图 24.7–166.5 MB（Ours 变体，Tables II/III），便于归档与传输；但多会话地图合并、增量更新与版本管理未在论文范围内。\n- **超参数维护负担**：λ_photo=0.5、λ_ssim=0.2、λ_surfel=1.0、关键帧平移/旋转阈值、n∈{1,5} 等（第 III、IV 节）；Algorithm 1 缓解了 σ_max 的手工调节，但引入了新的自适应参数，运维需监控高斯尺度分布（ratio_top / ratio_low）。\n- **运维监控缺口**：论文未报告 CPU/GPU 占用、内存峰值随序列长度的变化，也无代码与数据链接，上线前需自行建立性能基线与告警指标。\n\n### 3. 深层分析：工程化落地建议\n\n- **硬件选型**：优先复刻 Livox AVIA/MID-360 + 相机 + IMU 的硬件触发同步方案（Fig. 5），避免软同步引入的系统性偏差；标定流程固化 [^23] 工具链并定期复核外参。\n- **分级部署路径**：第一阶段在 RTX 4090 工作站上做离线/准在线建图验证；第二阶段面向边缘端时采用 Ours(5pixel) 变体（地图缩减约 4×，第 IV-C 节）并结合渲染算子优化与高斯剪枝。\n- **安全冗余设计**：定位层保留纯几何（surfel/ICP）回退通道；渲染层异常（如 Gaussian 失真）不应阻断定位输出；在动态物体与恶劣天气场景中设置置信度降级标志（对应第 V 节局限）。\n- **上线前验证清单**：① 标定精度复核；② 弱纹理/玻璃幕墙等混合场景测试（Table IV 的 Reception 教训）；③ 长序列内存与地图增长监控；④ Algorithm 1 阈值扫描与失效注入测试；⑤ 与 RTK-GPS 真值的周期性精度审计（参照 Table I 协议）。\n- **总体判断**：LIVE-GS 在论文设定的桌面 GPU + 硬件同步平台上已具备准实时、可长期运行（iSAM2 增量 + 滑窗固定规模）的系统形态，其真实落地的主要瓶颈是算力下探、动态/恶劣天气鲁棒性、以及代码与数据缺失带来的复现成本，而非算法架构本身。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8：精炼总结\n\n### 1. 总结段落（6–8 句）\n\nLIVE-GS 是一个在线 LiDAR-惯性-视觉 SLAM 框架，将 3D Gaussian Splatting（3DGS）与基于 LiDAR 的 surfel 地图紧耦合，以在大尺度室外与室内环境中同时实现高精度定位与照片级建图（第 I 节、Fig. 2）。系统采用双地图架构：稀疏 surfel 地图用于低延迟跟踪定位，稠密 3D Gaussian 地图用于真实感渲染（第 III 节开头）。前端通过联合优化点面 ICP 几何残差与光度残差估计关键帧间相对位姿，IMU 预积分仅提供初值而无需显式代价项（Eq. 1–4）。针对 LiDAR 数据稀疏不均的问题，系统提出深度不变高斯初始化，使高斯投影到图像平面后保持预设像素足迹，从而在远处稀疏区域避免产生过大模糊的高斯（Eq. 5–8、Fig. 3）。同时引入有界 sigmoid 重参数化并动态调整上界，抑制天空等未观测区域高斯的失控增长（Eq. 12–13、Algorithm 1）。后端在全局位姿图中加入 surfel-to-surfel 几何一致性约束，借助 iSAM2 增量求解并对受影响高斯进行二次精化，实现全局几何一致（Eq. 14–18、Algorithm 2）。在六个数据集上的实验表明，该方法在 Botanic Garden 三个序列上取得最优 ATE（0.528/0.529/0.498 m，Table I），渲染质量与地图大小、耗时方面相较离线与在线基线均具竞争力（Table II–III），消融实验进一步证实 SBA 与 BS 组件结合才能达到最佳效果（Table IV、Fig. 8）。\n\n### 2. 五个关键要点\n\n1. **双地图架构是在线 LIV-3DGS 的核心设计**：surfel 地图负责高效定位，3DGS 地图负责真实感渲染，二者通过前端-后端闭环流水线持续同步更新（第 III 节、Fig. 2）。\n2. **深度不变初始化解决 LiDAR 稀疏性问题**：以投影像素足迹（而非欧氏距离或 kNN 密度）确定高斯尺度，Ours(5pixel) 变体在 CBD02 上将地图从 235.0 MB 压缩至 55.2 MB（4.3× 缩减），PSNR 仅从 27.5 降至 27.0 dB（第 III-B 节、Table II）。\n3. **有界 sigmoid 约束防止高斯失控增长**：将可学习尺度映射到 [σ_min, σ_max] 区间，并根据高斯尺寸分布动态调整上界，避免天空等稀疏观测区域的过大高斯遮挡后方已优化的 splat（Eq. 12–13、Algorithm 1）。\n4. **Surfel Bundle Adjustment 提供光真实感所需的全局一致性**：相比仅做关键帧级位姿图优化的现有方法，surfel-to-surfel 表面级约束使系统在 Botanic Garden 全部三个序列上取得最优 ATE（第 III-D 节、Table I）。\n5. **组件互补性经消融验证**：SBA 单独改善位姿对齐但不控制尺度，BS 单独约束尺度但在混合室内外场景（Reception 玻璃墙）会损失远处覆盖导致 PSNR 下降，二者结合才在所有数据集上取得最佳结果（Table IV、Fig. 8）。\n\n### 3. 核心公式/机制\n\n**有界 sigmoid 重参数化（Bounded Sigmoid Reparameterization，Eq. 12）**——本系统控制高斯尺度、保证地图紧凑性的关键机制：\n\n$$\\sigma_{\\mathrm{bounded}} = \\sigma_{\\min} + (\\sigma_{\\max} - \\sigma_{\\min}) \\cdot \\mathrm{sigmoid}(s)$$\n\n其中 s 为可学习参数，$\\sigma_{\\min}, \\sigma_{\\max}$ 为尺度上下界。该映射保证任意优化过程中高斯尺度始终落在有界区间内，从机制上杜绝了未观测区域（如天空）高斯无限增长的问题；配合 Algorithm 1 的自适应上界调整（饱和比例 > 0.15 时放大 $\\sigma_{\\max}$ 至 1.2 倍，过小比例 > 0.95 时收缩），在约束性与表达灵活性之间取得平衡。消融结果显示，启用 BS 后 CBD02 的最大高斯尺度从 690.23 降至 0.43（Table IV），直接验证了该机制对地图保真度的贡献。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## Module D：第二遍精读理解（Second-Pass Understanding）\n\n### 1. 论文结构树\n\n``nLIVE-GS\n├── Abstract（动机 + 四项贡献概览）\n├── I. Introduction\n│   ├── 相机中心 3DGS-SLAM 的局限：纹理缺失、光照变化、RGB-D 量程短 [Sec. I]\n│   ├── LiDAR 引入的新挑战：全局对齐精度要求更高、稀疏数据致高斯失控生长 [Sec. I]\n│   ├── Fig. 1（大尺度室外 3D Gaussian 地图鸟瞰与渲染示例）\n│   └── 四项贡献列表 [Sec. I 末尾]\n├── II. Related Work\n│   ├── A. 离线 3DGS（GS-SDF[3]、LetsGo[4]）：位姿预计算、建图与定位分离\n│   ├── B. 在线视觉中心 3DGS（GS-ICP-SLAM[7]、Photo-SLAM[8]、SplaTAM[9]）\n│   └── C. 在线 LIV 3DGS（Gaussian-LIC[10]、LI-GS[11]、HGS-Mapping[12]）：两大未解挑战\n├── III. Methodology（双地图架构，受 Elastic LiDAR Fusion[13][14] 启发）\n│   ├── A. LiDAR-Inertial-Visual Odometry（Eq. 1–4）\n│   ├── B. Depth-Invariant Gaussian Initialization（Eq. 5–8, Fig. 3）\n│   ├── C. Local GS Mapping（Eq. 9–13, Fig. 4, Algorithm 1）\n│   └── D. Global GS Mapping（Eq. 14–18, Algorithm 2）\n├── IV. Experiments\n│   ├── A. 实验设置（数据集、手持平台 Fig. 5、硬件）\n│   ├── B. 轨迹精度评估（Table I, Fig. 6）\n│   ├── C. 渲染质量对比（Table II/III, Fig. 7）\n│   └── D. 消融实验（Table IV, Fig. 8）\n├── V. Conclusion（局限：未用 LiDAR 深度监督、动态物体、恶劣天气）\n└── References [1]–[24]\n``n\n\n### 2. 方法/系统分解\n\n#### 2.1 输入与输出\n\n- **输入**：硬件级同步的 LiDAR + 相机 + IMU 数据流（Sec. III 开头、Fig. 2、Fig. 5）。\n- **输出**：\n  - 全局一致的关键帧轨迹（位姿图）；\n  - 稀疏 surfel 定位图（用于跟踪与回环约束）；\n  - 致密 3D Gaussian 渲染图（照片级新视角合成）。\n\n#### 2.2 模块分解（前端 → 后端流水线）\n\n#### 模块 1：LIV 里程计（前端跟踪，Sec. III-A）\n\n- IMU 预积分 [^15] 提供关键帧 i→j 的初始位姿；论文明确不设显式 IMU 代价项（Sec. III-A）。\n- 几何约束：各关键帧 LiDAR 点云提取 surfel 并跨帧匹配 [^16]，构建 point-to-plane ICP 残差（Eq. 1）。\n- 光度约束：稀疏特征点跨关键帧跟踪 [^17]，直接比较像素强度（Eq. 2–3，投影后双线性插值）。\n- 联合代价（Eq. 4）：L_odom = Σ‖e_icp‖² + λ_photo·Σ‖e_photo‖²，λ_photo = 0.5（下权光度项，因强度残差量纲大于度量 ICP 残差）。\n- 精化后的相对位姿作为全局位姿图的里程计约束边。\n\n#### 模块 2：深度不变高斯初始化（Sec. III-B, Fig. 3）\n\n- 动机：kNN 密度式初始化在稀疏/远处区域产生过大模糊高斯，膨胀内存并遮挡后方已优化 splat（Sec. II-C、Sec. III-B）。\n- 流程：KNN + PCA 得旋转 R 与各向异性尺度 σ_x², σ_y², σ_z²（Eq. 5）→ 投影 Jacobian J（Eq. 6）→ 2D 协方差 Σ_2D = JΣ_3D J^T（Eq. 7）→ 面积比 k = A_target/A_origin，3D 尺度乘 √k（Eq. 8）。\n- 关键性质：因 Σ ∝ σ²，尺度乘 √k 使投影面积乘 k，从而投影足迹恒为预设像素直径（n=1 或 n=5，Sec. IV-A），与深度 Z 和局部点密度无关。\n\n### 模块 3：局部 GS 建图（滑窗优化，Sec. III-C, Fig. 4, Algorithm 1）\n\n- 渲染：alpha compositing 按深度前后排序合成（Eq. 9）。\n- 渲染损失（Eq. 10）：L_render = (1−λ_ssim)·L_L1 + λ_ssim·L_D-SSIM，λ_ssim = 0.2。\n- 有界 sigmoid 重参数化（Eq. 11–13）：σ_bounded = σ_min + (σ_max−σ_min)·sigmoid(s)，将可学习尺度 s 映射到有界区间 [σ_min, σ_max]，抑制天空/未观测区域高斯无限生长。\n- 自适应上界（Algorithm 1）：统计饱和比例（max σ_i > 0.95σ_max）与过小比例（< 0.05σ_max）；ratio_top > 0.15 时 σ_max ← 1.2·σ_max 并重映射；ratio_low > 0.95 时经逆映射收缩上界（注：伪代码第 8–10 行排版不完整，完整逻辑需推断，Module A 已标注此风险）。\n- 两步顺序优化：先固定高斯、以几何残差 e_icp 优化滑窗内 K 个关键帧位姿；再固定位姿、以 L_render 精化可见高斯；新位姿 T_{i+1} 加入时边缘化最老位姿 T_{i−K} 及其关联高斯，保持问题规模固定（Sec. III-C 末段）。\n\n#### 模块 4：全局 GS 建图（回环 + 位姿图优化，Sec. III-D, Algorithm 2）\n\n- 位姿图节点 = 关键帧；两类边：前端里程计约束（保证连续性）+ 时空上相距较远关键帧间的 surfel-to-surfel 几何对齐（长程结构保持，[^13][^14]）。\n- Surfel 对齐残差采用 G-ICP 框架 [^19]（Eq. 14），马氏距离阈值剔除离群匹配，组合协方差 C_ij = Σ_i + R Σ_j R^T（Eq. 15）。\n- 全局代价（Eq. 16）：L_global = Σ‖e_pose‖²_{Σ_odom} + λ_surfel·Σ‖e_surfel‖²_{C_ij}，λ_surfel = 1.0。\n- 求解器：iSAM2 [^20] 增量更新，仅处理受影响部分、避免整体重线性化，支持长期运行（Sec. III-D）。\n- 高斯刚体迁移（Eq. 17–18）：受精化关键帧关联的高斯按优化后位姿变换 p_new = R_opt·p_old + t_opt、R_new = R_opt·R_old。\n- 二阶段外观精化：固定位姿，仅对受影响高斯批次 G_refined 以 Adam 最小化 L_render^refined（复用 Eq. 10 的 L1+SSIM 组合），恢复位姿调整后的外观一致性并控制计算量。\n\n#### 2.3 损失函数汇总\n\n| 损失 | 公式定位 | 组成 | 关键权重 |\n|---|---|---|---|\n| 里程计 L_odom | Eq. 4 | ICP + 光度 | λ_photo = 0.5 |\n| 渲染 L_render | Eq. 10 | L1 + D-SSIM | λ_ssim = 0.2 |\n| 全局位姿图 L_global | Eq. 16 | 位姿 + surfel（G-ICP） | λ_surfel = 1.0 |\n| 精化渲染 L_render^refined | Sec. III-D 末 | L1 + D-SSIM（限 G_refined） | 同 Eq. 10 |\n\n#### 2.4 端到端流程（在线系统，无独立训练阶段）\n\n同步数据流 → 前端 LIV 里程计（Eq. 1–4）→ 关键帧判定（相对平移/旋转超阈值，Sec. III 开头）→ 新高斯深度不变初始化（Eq. 5–8）→ 滑窗局部优化（Eq. 9–13, Alg. 1）→ 回环检测触发全局位姿图优化（Eq. 14–16, Alg. 2, iSAM2）→ 高斯刚体迁移 + 二阶段精化（Eq. 17–18）→ 更新后的双地图反馈前端，保证长期一致性（Sec. III 开头、Fig. 2）。\n\n#### 3. 关键图表解读\n\n#### 3.1 Fig. 2（系统总览，Sec. III）\n\n- 展示双地图架构：LiDAR/相机/IMU 三流在前端融合，位姿在 2D surfel 图上跟踪，同时在深度不变 3D Gaussian 图上做局部优化；后端回环执行 surfel-to-surfel 约束的全局精化，联合优化位姿与高斯。\n- 解读要点：该图是理解「定位与建图解耦又耦合」的核心——surfel 图负责几何精度与效率，3DGS 图负责真实感渲染，两者通过共享关键帧位姿与回环反馈绑定，更新结果回流前端形成闭环。\n\n### 3.2 Fig. 3（深度不变初始化，Sec. III-B）\n\n- (a) 给出初始化整体流程；(b) 展示与 conics（投影二次曲线）的关系。\n- 核心机制：深度 Z 增大时 Jacobian（Eq. 6）元素减小，同一 3D 高斯的 2D 投影自然变小；方法据此反推 3D 尺度，使投影足迹恒等于目标像素面积（Eq. 8）。\n- 解读要点：这直接解释了 Table II/III 中 Ours(5pixel) 地图大幅缩小的现象——远处稀疏点不再生成病态大高斯，表示密度由像素足迹显式控制。\n\n#### 3.3 Table I（Botanic Garden 轨迹精度，Sec. IV-B, Fig. 6）\n\n- 指标：ATE (m)↓ 与 Z-RMSE (m)↓，真值为厘米级 RTK-GPS [^22]。\n- 关键数字：Ours 在三条序列 ATE 全部最优（0.528/0.529/0.498 m）；Z-RMSE 在 Seq. 00/01 最优（0.352/0.177 m），Seq. 07 上 FAST-LIVO2 最优（0.281 m）、Ours 第二（0.286 m）。\n- 对比解读：GS-LIVM 在 Seq. 01 有竞争力（0.557 m）但在 Seq. 07 退化至 1.785 m；Gaussian-LIC 全序列最差（1.812/0.783/2.832 m）。论文据此论证「朴素融合 3DGS 与 LiDAR-惯性里程计不足以维持长期一致性」，而 surfel SBA 的跨关键帧表面级约束抑制了累积漂移（Sec. IV-B）；FAST-LIVO2 在 Seq. 07 垂直精度占优源于其直接 LiDAR 特征对齐对竖直漂移的强约束，但同序列 ATE 上 Ours 仍更优（0.498 vs 0.784 m）。\n\n#### 3.4 Table II / Table III（渲染对比，Sec. IV-C, Fig. 7）\n\n- 指标：PSNR↑、Map (MB)↓、Dur. (s)↓；表格注释「-」表示算法失败。\n- Table II（FAST-LIVO2 城市序列）：\n  - CBD02：Ours(1pixel) PSNR 27.5 dB 最高；Ours(5pixel) 地图 55.2 MB（相对 1pixel 的 235.0 MB 缩减 4.3×），PSNR 仅降 0.5 dB（27.5→27.0）。\n  - Retail：Ours(1pixel) 29.2 dB 最高；Ours(5pixel) 31.0 MB 为全场最小。\n  - SYSU01：Ours(5pixel) PSNR 27.9 dB 与地图 24.7 MB 双最优；离线 GS-SDF 耗时高达 1752 s。\n- Table III（MARS-LVIG + 自采数据）：\n  - airport03：GS-SDF 与 GS-ICP-SLAM 完全失败（标注 -），Ours(1pixel) 20.0 dB 最高。\n  - Demo room：Ours(5pixel) 28.3 dB 反超 Ours(1pixel) 的 25.5 dB——正文解释：近距采集使点云相对场景范围更稀疏，更大的初始像素足迹更好覆盖稀疏区，生成更完整的高斯（Sec. IV-C）。\n  - Reception：Ours(5pixel) 26.7 dB / 26.8 MB / 96 s，处理时间为全场最快。\n- 公平性观察：离线基线迭代预算更高（GS-SDF 30k、LetsGo 15k），利于其 PSNR 但显著抬高 Dur. 与 Map；在线基线在大尺度室外场景鲁棒性不足（GS-ICP-SLAM 的 PSNR 仅 18.1–18.7 dB）。\n\n#### 3.5 Table IV + Fig. 8（BS/SBA 消融，Sec. IV-D）\n\n- 2×2 组合（Bounded Sigmoid × Surfel Bundle Adjustment）在 CBD02、Retail、Reception 上评估 PSNR 与 max σ。\n- max σ 列：无 BS 时高斯尺度失控（CBD02 690.23、Retail 71.29、Reception 105.17–154.07）；有 BS 时压至亚米级（0.43/0.34/0.11–0.12），直接验证有界 sigmoid 的尺度控制作用。\n- PSNR 列：CBD02/Retail 上完整组合（BS+SBA）最优（27.0/28.1 dB）；Reception 上 SBA 单独最高（27.2 dB），完整组合 26.7 dB——正文解释：玻璃墙暴露远处室外区域，严格上界移除了对远处的粗覆盖，说明纯尺度控制无法补偿室内外混合场景的位姿失配（Sec. IV-D）。\n- Fig. 8 定性印证：无 SBA 出现边界模糊的过大 splat（上排左），无 BS 出现结构失真（上排右），组合后效果最佳（下排）。\n\n#### 4. 实验与评估细节\n\n#### 4.1 数据集（Sec. IV-A）\n\n| 数据集 | 来源 | 序列 | 场景特点 |\n|---|---|---|---|\n| FAST-LIVO2 [^6] | 公开 | Retail_Street, CBD02, SYSU_01 | 城市街道 |\n| MARS-LVIG [^21] | 公开 | airport03 | UAV 采集、海岸地形 |\n| Botanic Garden [^22] | 公开 | Seq. 00/01/07 | 厘米级 RTK-GPS 真值 |\n| 自采 | 本文 | Reception, Demo room | 办公/展厅，几何受限、纹理有限 |\n\n### 4.2 指标\n\n- 定位：ATE (m)↓、Z-RMSE (m)↓（仅 Botanic Garden，因具备 RTK-GPS 真值）。\n- 建图/渲染：PSNR (dB)↑、Map (MB)↓、Dur. (s)↓（全序列处理时间）。\n- 消融附加：max σ↓（最大高斯尺度，衡量失控生长）。\n\n#### 4.3 对比目标\n\n- 轨迹（Table I）：传统 LIV——FAST-LIVO2 [^6]、R3LIVE [^22]；LIV-3DGS——GS-LIVM [^24]、Gaussian-LIC [^10]。\n- 渲染（Table II/III）：离线——GS-SDF [^3]（30k 迭代）、LetsGo [^4]（15k 迭代）；在线——Photo-SLAM [^8]、GS-ICP-SLAM [^7]；另报 Ours(1pixel)/Ours(5pixel) 两个自变体（对应目标投影足迹 1/5 像素）。\n\n#### 4.4 公平性与可信度\n\n- 统一硬件：AMD Ryzen 9 7900 CPU + 64 GB RAM + NVIDIA RTX 4090（Sec. IV-A）。\n- 自采数据标定采用运动学工具包 [^23]，手持平台（Livox AVIA / MID-360 + 相机 + IMU）硬件级时间同步（Fig. 5），降低标定与时间戳误差混淆。\n- 潜在不公平点：离线基线迭代预算更高（利于其 PSNR 但拉高 Dur.）；airport03 上两个基线失败以 - 计，未参与该数据集比较；自采数据（Reception / Demo room）无公开链接，第三方复现 Table II/III 全表困难（Module A 已列为风险项）。\n\n#### 4.5 消融设计\n\n- 因子：BS × SBA，2×2 全组合；数据覆盖室外（CBD02、Retail）与室内外混合（Reception）。\n- 结论：SBA 提供全局一致位姿、BS 保证高斯空间紧凑，二者互补、单独均不达最优平衡（Sec. IV-D）；但 Reception 显示 BS 单独使用会因严格上界损失远处覆盖（PSNR 降至 24.5），且完整组合在该序列 PSNR（26.7）低于 SBA-only（27.2），提示尺度约束强度需与场景几何特性匹配——这是理解系统适用边界的关键细节。\n\n### 5. 系统架构图（system archetype）\n\n``n            ┌──────────────────────── 前端（在线，低延迟） ───────────────────────┐\n LiDAR ──┐ │ IMU 预积分初值 [^15] │\n Camera ─┼─►│ LIV 里程计: e_icp(Eq.1) + e_photo(Eq.2-3) → L_odom(Eq.4, λ=0.5) │\n IMU ────┘ │            │ │\n            │            ▼ │\n            │ 关键帧判定(平移/旋转阈值) ──► 深度不变初始化(Eq.5-8, Fig.3) │\n            │            │ │                                │\n            │            ▼ ▼                                │\n            │ [Surfel 定位图]◄──跟踪──► [3DGS 渲染图]◄──滑窗局部优化 │\n            │ (稀疏, 几何) (致密, 真实感) Eq.9-13 + Alg.1(Fig.4)    │\n            └────────────┬──────────────────────┬─────────────────────────────────┘\n                         │ 里程计边 │ 关键帧/高斯\n                         ▼ ▼\n            ┌──────────────────── 后端（全局一致性） ─────────────────────────────┐\n            │ 回环检测 → 位姿图: e_pose + e_surfel(G-ICP, Eq.14-15) │\n            │ L_global(Eq.16, λ_surfel=1.0) ── iSAM2 [^20] 增量求解 (Alg.2) │\n            │            │ │\n            │            ▼ │\n            │ 高斯刚体迁移(Eq.17-18) → 二阶段外观精化(Adam, L_render^refined) │\n            └────────────┬───────────────────────────────────────────────────────┘\n                         │ 更新后的双地图反馈前端（长期一致性, Sec. III, Fig.2）\n                         └──────────────────► 返回前端\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三遍深度审阅（Third-Pass Deep Review）\n\n### 1. 可复现性重构（Reconstructability）\n\n### 整体流水线重构（依据第 III 节与 Fig. 2，由浅入深）\n\n1. **前端 LIV 里程计（III-A）**：IMU 预积分 [^15] 提供初值 → surfel 点到面 ICP 残差（Eq. 1）+ 稀疏特征光度残差（Eq. 2–3）→ 联合代价 L_odom（Eq. 4，λ_photo=0.5）→ 精化后的相对位姿作为全局位姿图的里程计约束。\n2. **深度不变高斯初始化（III-B）**：KNN+PCA 求旋转 R（Eq. 5）→ 投影 Jacobian J（Eq. 6）→ 2D 投影协方差（Eq. 7）→ 以目标像素足迹面积比 k 缩放 √k（Eq. 8），n=1 或 5 像素两种变体。\n3. **滑窗局部建图（III-C）**：窗口含最近 K 个关键帧，两步交替优化——先用 e_icp 精化位姿，再固定位姿以 L_render = L1 + D-SSIM（Eq. 10，λ_ssim=0.2）优化可见高斯；尺度经有界 sigmoid（Eq. 12–13）映射到 [σ_min, σ_max]，上界由 Algorithm 1 自适应调整。\n4. **全局建图（III-D）**：位姿图节点为关键帧，边为里程计约束 + surfel-to-surfel G-ICP 约束（Eq. 14–16，λ_surfel=1.0，Mahalanobis 距离拒绝外点）→ iSAM2 [^20] 增量求解（Eq. 17）→ 受影响关键帧的高斯做刚体变换（Eq. 18–19）→ 仅对 G_refined 用 Adam 二次精化外观（Eq. 20）。\n\n```pseudo\n// Algorithm 1: 重构备注**：文档第 8–10 行排版不完整，可推断逻辑为——当 ratio_low > 0.95（几乎所有高斯远小于上界）时，先以 InverseBoundedSigmoid(s_old, σ_max) 恢复无约束尺度 s，再下调 σ_max 收紧区间；当 ratio_top > 0.15（超过 15% 高斯饱和于 0.95σ_max）时，先写入有界尺度再将 σ_max 放大 1.2 倍。该推断与正文“动态调整上界以维持高斯尺寸分布均衡”的描述一致（III-C）。\n\n```\n\n### 缺失的复现要素\n\n- 滑窗大小 K、关键帧触发阈值（正文仅述“平移/旋转超阈值”，第 III 节开头）；\n- σ_min/σ_max 初值，以及 Algorithm 1 中阈值 0.15/0.95 与增益 1.2 的敏感性分析；\n- surfel 提取/匹配参数与外点拒绝的 Mahalanobis 阈值（III-D）；\n- 无开源代码，自采数据集（Reception / Demo room）无下载链接（Module A 校验结论）。\n- **复现风险评级：中高**——公开数据集（FAST-LIVO2 / MARS-LVIG / Botanic Garden）可获取，但超参与实现细节不足，Table I–IV 数值难以精确对齐。\n\n### 2. 隐含假设（Assumptions）\n\n- **硬件同步与标定可靠**：自研手持平台提供 LiDAR-相机-IMU 硬件级时间同步（IV-A、Fig. 5），外参用 [^23] 标定；直接光度残差（Eq. 2）对时间偏移与外参误差极为敏感。\n- **场景静态**：系统不含动态物体处理模块，结论部分明确将其列为未来工作（第 V 节）。\n- **光照/外观一致性**：光度残差直接比较像素强度（Eq. 2），隐含关键帧间曝光与光照近似不变。\n- **投影足迹模型可代表表面覆盖**：深度不变初始化假设以像素空间投影尺寸定标（Eq. 5–8、Fig. 3）即可适配 LiDAR 非均匀密度，未考虑视角变化下的各向异性畸变。\n- **单一全局尺度边界可覆盖场景**：[σ_min, σ_max] 假设场景尺度范围有限；Reception 玻璃墙导致的室内外混合场景违反该假设（Table IV：BS(O)SBA(x) PSNR 24.5 vs BS(x)SBA(x) 27.0）。\n- **回环修正可近似为关键帧邻域的刚体搬移**：Eq. 18–19 假设位姿修正量在关键帧关联高斯上局部一致，大幅回环时该假设的成立程度未量化。\n\n### 3. 失效模式与盲点（Failure Modes / Blind Spots）\n\n- **混合室内外场景的尺度约束失效**：BS 的严格上界会移除对远处区域（穿透玻璃的室外）的粗覆盖，Reception 上 BS 单独使用反而降低 PSNR（Table IV、IV-D、Fig. 8），说明全局上界无法兼顾近景细节与远景覆盖。\n- **缺乏深度监督导致浮动高斯**：高斯优化仅用渲染损失（Eq. 10、Eq. 20），未显式使用 LiDAR 深度，无纹理或稀疏观测区域可能产生 floaters（第 V 节自认局限）。\n- **动态物体与恶劣天气未覆盖**：第 V 节明确列为局限；全部评测序列均为静态场景，鲁棒性边界未知。\n- **垂直漂移控制弱于直接法对齐**：Seq. 07 上 Z-RMSE 输给 FAST-LIVO2（0.286 vs 0.281 m，Table I），作者归因于后者直接 LiDAR 特征对垂直漂移的强约束（IV-B），提示 surfel-to-surfel 约束在高程方向可能偏软；此外 Algorithm 1 的启发式常数（0.15/0.95/1.2）缺乏理论依据与跨传感器泛化验证。\n\n### 4. 优点与缺点（Strengths & Weaknesses）\n\n## 优点\n\n1. **在线全局一致性**：surfel-to-surfel 约束进入位姿图并以 iSAM2 增量求解（III-D），Botanic Garden 三序列 ATE 全面最优（0.528/0.529/0.498 m，Table I、Fig. 6），显著优于 GS-LIVM 与 Gaussian-LIC，验证了“稠密表面级约束对照片级建图必要性”的核心论点（第 I 节）。\n2. **深度不变初始化的效率收益**：以投影像素足迹定标（Eq. 5–8），Ours(5pixel) 在六个数据集中五个取得最小地图（Retail 31.0 MB、SYSU01 24.7 MB，Table II–III）；CBD02 地图缩小 4.3×（235.0→55.2 MB）而 PSNR 仅降 0.5 dB（IV-C）。\n3. **消融清晰、组件互补**：SBA 负责全局位姿一致、BS 负责尺度紧凑，二者结合在所有数据集最优（Table IV、Fig. 8），且明确刻画了各自单独使用的失效边界。\n4. **评测覆盖面广**：6 个数据集横跨城市街道、海岸、机场与室内，含厘米级 RTK-GPS 真值（IV-A），轨迹与渲染双维度验证。\n5. **近距稀疏场景的自适应行为合理**：Demo room 上 Ours(5pixel) 反超 Ours(1pixel)（28.3 vs 25.5 dB，Table III），说明足迹参数可依场景点云密度灵活选择。\n\n## 缺点\n\n1. **可复现性不足**：无代码、无自采数据链接、Algorithm 1 排版残缺、关键超参（K、σ 边界初值、关键帧阈值）未披露。\n2. **渲染指标单一**：仅报告 PSNR，缺 SSIM/LPIPS 与几何精度指标（如 Chamfer/F-score），难以全面评估真实感与几何质量。\n3. **对比公平性受限**：airport03 上 GS-SDF 与 GS-ICP-SLAM 直接失败（Table III 标注 -），自采数据无轨迹真值，仅能做渲染对比。\n4. **回环后处理较粗糙**：高斯仅做刚体搬移（Eq. 18–19）后对受影响批次二次精化（Eq. 20），大幅回环时外观/覆盖不一致的恢复能力未量化（无回环前后渲染对比实验）。\n5. **室内场景优势不明显**：Reception 上 Ours(1pixel) PSNR 23.4 低于 GS-SDF 26.2 与 LetsGo 27.7，Demo room 上 Ours(1pixel) 地图最大（166.5 MB，Table III），表明方法优势主要集中于室外大尺度场景。\n\n### 5. 下一步研究方向（Next-Step Research）\n\n- **LiDAR 深度监督进渲染损失**：在 L_render（Eq. 10）中叠加深度一致性项，抑制 floaters 并收紧几何（第 V 节明确提出，实现代价低、预期收益明确）。\n- **场景自适应尺度边界**：将全局 [σ_min, σ_max] 改为按区域/深度分层或由观测计数驱动的边界，直接针对 Table IV 暴露的 Reception 类混合场景失效模式。\n- **动态物体与外观分解**：引入时序建模与学习先验做外观/光照分解，提升恶劣天气与曝光变化下的鲁棒性（第 V 节）。\n- **回环强度与高斯恢复的联合评估**：构造大位移回环基准，量化 Eq. 18–20 恢复流程的渲染损失，并探索将 surfel 几何约束直接耦合进高斯参数优化，而非仅作用于位姿图。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F：术语表与概念依赖图\n\n### 一、术语表（Glossary，共 30 条）\n\n### 1. 3D Gaussian Splatting (3DGS)（三维高斯泼溅）\n\n- **定义**：用一组带位置、各向异性协方差、不透明度与球谐颜色系数的 3D 高斯基元显式表示场景，并通过可微 splatting 渲染图像的辐射场表示（参考文献 [^1]）。\n- **直觉**：把场景想象成许多半透明彩色“椭圆棉花团”，任意视角下投影叠加即得照片级图像。\n- **论文中的作用**：系统的稠密渲染地图表示，双地图架构中的渲染图（第 III 节、Fig. 2）。\n- **先修知识**：辐射场/可微渲染、多元高斯分布。\n\n## 2. SLAM（同步定位与建图）\n\n- **定义**：机器人在未知环境中同时估计自身位姿并增量构建地图的问题。\n- **直觉**：一边画地图一边确定自己在图中的位置，二者互相依赖。\n- **论文中的作用**：LIVE-GS 的整体任务框架：在线位姿估计 + 全局一致 3DGS 建图（第 I 节）。\n- **先修知识**：状态估计、概率机器人学。\n\n## 3. LiDAR-Inertial-Visual (LIV) Fusion（激光-惯性-视觉融合）\n\n- **定义**：联合 LiDAR（精确长距深度）、IMU（高频运动先验）与相机（纹理/外观）的紧耦合状态估计范式。\n- **直觉**：三种传感器互补——LiDAR 抗光照与弱纹理、IMU 抗快速运动、相机提供颜色。\n- **论文中的作用**：系统前端的传感器配置与系统命名来源（第 III-A 节、Fig. 2、Fig. 5）。\n- **先修知识**：多传感器外参与时间标定、图优化状态估计。\n\n## 4. Surfel（表面元/面元）\n\n- **定义**：带位置与法向（及协方差）的小面片，用于表示局部表面几何；本文由 LiDAR 点云提取（参考文献 [^16]）。\n- **直觉**：给每个 3D 点贴一片有朝向的“小贴纸”，描述其所在表面。\n- **论文中的作用**：稀疏定位地图的基本单元；surfel-to-surfel 对应构成回环与全局优化的几何约束（第 III-A、III-D 节）。\n- **先修知识**：点云处理、法向估计。\n\n## 5. Surfel Bundle Adjustment (SBA)（面元光束法平差）\n\n- **定义**：在全局优化中加入 surfel-to-surfel 表面级一致性约束，使关键帧位姿在表面层面精确对齐的模块（Algorithm 2）。\n- **直觉**：不只对齐轨迹点，还要对齐表面，以满足照片级渲染对几何精度的更高要求。\n- **论文中的作用**：核心贡献之一；抑制长序列漂移并提升渲染一致性（第 I 节贡献 1、Table IV 消融）。\n- **先修知识**：光束法平差、位姿图优化。\n\n## 6. Dual-map Architecture（双地图架构）\n\n- **定义**：同时维护稀疏 surfel 定位图与稠密 3DGS 渲染图，前端在 surfel 图上跟踪、后端联合优化两图的设计（受 Elastic LiDAR Fusion [^13][^14] 启发）。\n- **直觉**：一张轻量草图用于快速定位，一张精细油画用于渲染，各司其职。\n- **论文中的作用**：系统总体架构（第 III 节开头、Fig. 2）。\n- **先修知识**：SLAM 前端/后端划分。\n\n## 7. IMU Preintegration（IMU 预积分）\n\n- **定义**：将两关键帧间的 IMU 测量积分成与起始位姿无关的相对运动约束的技术（参考文献 [^15]）。\n- **直觉**：把高频陀螺/加速度读数打包成一个相对运动摘要，位姿更新后无需重算。\n- **论文中的作用**：为关键帧间相对位姿提供优化初值，故无需显式 IMU 代价项（第 III-A 节）。\n- **先修知识**：刚体运动学、流形上的积分。\n\n## 8. Point-to-plane ICP（点到面迭代最近点）\n\n- **定义**：最小化源点到目标表面切平面距离的配准方法；本文对匹配 surfel 对 (p_i, p_j) 与法向 n_j 构造残差 e_icp（Eq. 1）。\n- **直觉**：让点“贴”到对方表面上而非简单点到点，收敛更快更稳。\n- **论文中的作用**：前端里程计的几何约束（Eq. 1、Eq. 4）。\n- **先修知识**：刚体变换、非线性最小二乘。\n\n## 9. G-ICP（Generalized ICP，广义 ICP）\n\n- **定义**：将各类 ICP 统一为概率框架，为匹配对建立联合协方差并最小化马氏距离的配准方法（参考文献 [^19]）。\n- **直觉**：给每个匹配的不确定性记账，不可靠的匹配权重自动变小。\n- **论文中的作用**：全局后端 surfel 对齐残差 e_surfel 与协方差 C_ij 的构造基础（Eq. 15–16）。\n- **先修知识**：概率配准、马氏距离。\n\n## 10. Photometric Residual（光度残差）\n\n- **定义**：直接比较同一 3D 点在两帧图像上投影像素强度的残差 e_photo（Eq. 2–3），特征点跟踪借鉴 SVO（参考文献 [^17]）。\n- **直觉**：假设同一物理点看起来亮度相同，用灰度差约束相对位姿。\n- **论文中的作用**：前端里程计的视觉约束，与 ICP 项以 λ_photo=0.5 加权联合优化（Eq. 4）。\n- **先修知识**：针孔相机模型、双线性插值。\n\n## 11. Depth-Invariant Gaussian Initialization（深度不变高斯初始化）\n\n- **定义**：按高斯在像平面上的投影足迹（像素面积）而非欧氏距离或局部点密度设定初始 3D 尺度的策略；经投影协方差 Σ_2D = J Σ_3D J^T 与面积比 k 缩放尺度（Eq. 5–8、Fig. 3）。\n- **直觉**：无论物体多远，让每个高斯“在照片里看起来一样大”，避免远处出现巨大模糊高斯。\n- **论文中的作用**：核心贡献之二；显著减小地图体积（如 CBD02 235.0→55.2 MB）且 PSNR 损失很小（Table II、第 I 节贡献 2）。\n- **先修知识**：透视投影、协方差传播、PCA。\n\n## 12. Bounded Sigmoid Reparameterization（有界 sigmoid 重参数化，BS）\n\n- **定义**：将可学习尺度参数 s 经 sigmoid 映射到有界区间 [σ_min, σ_max] 的约束（Eq. 12–13），并按高斯尺寸分布自适应调整上界（Algorithm 1）。\n- **直觉**：给高斯的“个头”装上限位器，防止天空等无观测区域的高斯疯长并遮挡后方 splat。\n- **论文中的作用**：核心贡献之三；消融显示 BS 单独可将 max σ 从数百量级降到亚米级（Table IV、Fig. 8）。\n- **先修知识**：sigmoid 函数、重参数化技巧。\n\n## 13. Sliding-window Local Mapping（滑窗局部建图）\n\n- **定义**：在固定窗口 W 内联合优化最近 K 个关键帧位姿与可见高斯的局部优化框架（Eq. 9–13、Fig. 4），窗口前滑时边缘化最旧关键帧。\n- **直觉**：只精修“最近拍的几张照片”涉及的地图块，保证实时性。\n- **论文中的作用**：局部 GS 优化与两步序贯优化（先位姿后高斯）的载体（第 III-C 节）。\n- **先修知识**：滑窗优化、边缘化。\n\n## 14. Loop Closure（回环检测）\n\n- **定义**：识别重访地点并施加约束以消除累积漂移的机制；本文经 surfel-to-surfel 几何对齐实现，并触发稀疏地图精化（Algorithm 2 第 7–8 行）。\n- **直觉**：发现“回到了起点”，把绕一圈积累的误差摊平。\n- **论文中的作用**：全局一致性的来源，是许多 LiDAR-3DGS 方法忽视而本文强调的环节（第 I 节、第 III-D 节）。\n- **先修知识**：位姿图、地点识别。\n\n## 15. Pose Graph Optimization（位姿图优化）\n\n- **定义**：以关键帧为节点、以相对位姿（里程计）与几何（surfel）约束为边的全局非线性最小二乘问题（Eq. 17）。\n- **直觉**：把所有“我相对上一帧走了多少”的约束联立，求全局最自洽的轨迹。\n- **论文中的作用**：全局 GS 映射的骨架，融合 e_pose 与 e_surfel 两类边（第 III-D 节）。\n- **先修知识**：图优化、稀疏线性代数。\n\n## 16. iSAM2（增量平滑与建图 2）\n\n- **定义**：基于 Bayes 树的增量式因子图求解器，仅重线性化受新测量影响的部分（参考文献 [^20]）。\n- **直觉**：新约束到来时只“修补”受影响的局部，而非从头重解整个图。\n- **论文中的作用**：高效增量求解全局位姿图，支撑长期在线运行（第 III-D 节）。\n- **先修知识**：因子图、稀疏分解。\n\n## 17. Alpha Compositing（alpha 合成）\n\n- **定义**：按投影深度前后排序，用透射率 T_g 与不透明度 α_g 累加各高斯贡献颜色的可微渲染方程（Eq. 9）。\n- **直觉**：像叠玻璃片一样从前往后逐层“混色”。\n- **论文中的作用**：渲染图像 Î(u,v) 的生成方式，是渲染损失 L_render 的基础（第 III-C 节）。\n- **先修知识**：体渲染、排序混合。\n\n## 18. D-SSIM / SSIM（结构相似性）\n\n- **定义**：衡量图像结构相似度的感知指标（参考文献 [^18]）；本文以 λ_ssim=0.2 与 L1 加权构成渲染损失（Eq. 10）。\n- **直觉**：不只比像素差，还比“结构看起来像不像”。\n- **论文中的作用**：渲染损失的感知项，平衡几何与感知质量。\n- **先修知识**：图像质量评估。\n\n## 19. Spherical Harmonics (SH) Coefficients（球谐系数）\n\n- **定义**：3DGS 中编码视角相关颜色的基函数系数。\n- **直觉**：给每个高斯一套“随观看角度变色”的颜色配方。\n- **论文中的作用**：全局位姿更新后二次精化的内部参数之一（第 III-D 节）。\n- **先修知识**：球谐函数、视角相关外观。\n\n## 20. Mahalanobis Distance（马氏距离）\n\n- **定义**：考虑协方差的加权距离 ‖e‖²_Σ = e^T Σ^{-1} e；用于离群匹配剔除与损失加权。\n- **直觉**：在“不确定度椭圆”里量距离，方向上不确定的偏差更宽容。\n- **论文中的作用**：G-ICP 匹配外点剔除阈值与 Eq. 17 的范数定义。\n- **先修知识**：多元正态分布。\n\n## 21. ATE（Absolute Trajectory Error，绝对轨迹误差）\n\n- **定义**：估计轨迹与真值对齐后的位置误差统计；本文用 Botanic Garden 数据集厘米级 RTK-GPS 真值评估（Table I）。\n- **直觉**：整条轨迹“平均偏了多少米”。\n- **论文中的作用**：定位精度主指标；Ours 在三条序列均最优（0.528/0.529/0.498 m）（第 IV-B 节）。\n- **先修知识**：轨迹评估与刚体对齐。\n\n## 22. Z-RMSE（垂直方向均方根误差）\n\n- **定义**：轨迹高度分量的均方根误差，专门衡量垂直漂移（Table I）。\n- **直觉**：只看“上下飘了多少”。\n- **论文中的作用**：与 FAST-LIVO2 对比垂直精度的指标（第 IV-B 节）。\n- **先修知识**：RMSE。\n\n## 23. PSNR（峰值信噪比）\n\n- **定义**：渲染图像与真值图像间的像素级重建保真度指标（dB），越高越好（Table II–IV）。\n- **直觉**：渲染图与真实照片“像不像”的分数。\n- **论文中的作用**：渲染质量主指标，用于基线对比与消融。\n- **先修知识**：MSE、对数刻度。\n\n## 24. Keyframe（关键帧）\n\n- **定义**：相对平移或旋转超过阈值时选取的代表性帧，作为优化节点与高斯初始化来源（第 III 节）。\n- **直觉**：从数据流中挑“信息量足够”的帧参与计算以省算力。\n- **论文中的作用**：所有前端/后端优化的基本单元。\n- **先修知识**：视觉里程计。\n\n## 25. kNN + PCA（k 近邻与主成分分析）\n\n- **定义**：对每个 LiDAR 点搜索 k 近邻并做 PCA，得到局部旋转矩阵 R 与初始尺度的常规初始化流程（第 III-B 节）。\n- **直觉**：看一个点周围“邻居云”的形状决定高斯的朝向与大小。\n- **论文中的作用**：作为被本文批评的常规初始化基线，是深度不变初始化的对照对象。\n- **先修知识**：PCA、近邻搜索。\n\n## 26. SfM / COLMAP（运动恢复结构）\n\n- **定义**：离线从多视图恢复相机位姿与稀疏结构的流程（参考文献 [^2]）；原始 3DGS 依赖其预计算位姿。\n- **直觉**：先离线算好所有相机位置，再开始建模。\n- **论文中的作用**：相关工作“离线范式”的代表，与本文在线紧耦合形成对照（第 II-A 节）。\n- **先修知识**：多视图几何。\n\n## 27. Marginalization（边缘化）\n\n- **定义**：滑窗前滑时将最旧关键帧 T_{i-K} 及其关联高斯移出优化问题并保持问题规模固定的操作（第 III-C 节）。\n- **直觉**：旧信息“结算归档”，窗口永远只装最新内容。\n- **论文中的作用**：维持滑窗计算效率的机制。\n- **先修知识**：Schur 补、信息矩阵。\n\n## 28. RTK-GPS（实时动态载波相位差分定位）\n\n- **定义**：提供厘米级定位真值的 GNSS 技术；Botanic Garden 数据集（参考文献 [^22]）以其作为轨迹真值。\n- **直觉**：普通 GPS 误差数米，RTK 可达厘米级，可当“标准答案”。\n- **论文中的作用**：Table I、Fig. 6 轨迹评估的真值来源。\n- **先修知识**：GNSS 基本原理。\n\n## 29. Adam Optimizer（Adam 优化器）\n\n- **定义**：自适应矩估计一阶梯度优化器；用于全局位姿更新后高斯参数（尺度、不透明度、SH）的二次精化（第 III-D 节）。\n- **直觉**：深度学习常用的“自适应步长”梯度下降。\n- **论文中的作用**：恢复位姿调整后渲染一致性的精化工具。\n- **先修知识**：随机梯度下降。\n\n## 30. Anisotropic Scale（各向异性尺度）\n\n- **定义**：高斯在切平面 (σ_x, σ_y) 与法向 (σ_z) 上取不同尺度的参数化（Eq. 5）。\n- **直觉**：高斯可以是“扁平贴在表面上”的椭球而非圆球。\n- **论文中的作用**：3D 协方差 Σ_3D 的构造方式，深度不变初始化缩放的对象。\n- **先修知识**：多元高斯、特征分解。\n\n### 二、概念依赖图（文本版）\n\ntext\n第0层 数学与几何基础\n  刚体变换 (R,t) ──┬─> ICP 残差 (Eq.1) ────────┐\n  透视投影 π(·) ───┼─> 光度残差 (Eq.2-3) ──────┴─> L_odom (Eq.4) ─> 前端里程计\n  多元高斯/协方差 ──┘                                        │\n  最小二乘/马氏距离 ─────────────────────────────────────────┴─> 全局位姿图 (Eq.17)\n\n第1层 传感器与表示\n  LiDAR 点云 ─> Surfel（位置+法向+协方差）[^16] ─> 稀疏定位图\n  LiDAR 点云 ─> kNN+PCA ─> 深度不变初始化 (Eq.5-8, Fig.3) ─> 3DGS 高斯初始化\n  相机图像 ─> 稀疏特征跟踪 [^17] ─> 光度残差\n  IMU ─> 预积分 [^15] ─> 优化初值\n\n第2层 前端（在线跟踪）\n  IMU 初值 + ICP + 光度 ─> 关键帧相对位姿 ─> 里程计边\n  关键帧选择（平移/旋转阈值）\n\n第3层 局部建图（滑窗）\n  投影雅可比 J (Eq.6) ─> Σ_2D (Eq.7) ─> 面积比 k (Eq.8) ─> 尺度缩放\n  Alpha 合成 (Eq.9) + L1 + D-SSIM (Eq.10) ─> L_render\n  Bounded Sigmoid (Eq.12-13) + 自适应上界 (Algorithm 1) ─> 尺度约束\n  两步序贯优化：先位姿 (e_icp)，后高斯 (L_render)；边缘化最旧关键帧\n\n第4层 全局后端\n  里程计边 + Surfel-to-Surfel 约束 (G-ICP, Eq.15-16) ─> L_global (Eq.17)\n  L_global ─> iSAM2 [^20] ─> 全局轨迹精化 ─> SBA (Algorithm 2)\n  位姿更新 (Eq.18-19) ─> 高斯刚体变换 ─> Adam 二次精化 (Eq.20)\n\n第5层 评测与消融\n  RTK-GPS 真值 [^22] ─> ATE / Z-RMSE (Table I, Fig.6)\n  渲染评测 ─> PSNR / Map / Dur (Table II-III, Fig.7)\n  消融：BS × SBA (Table IV, Fig.8) ─> 两者互补、缺一不可\n``n\n依赖要点：\n\n1. **深度不变初始化**依赖：透视投影、雅可比 J、kNN+PCA、协方差传播；其输出直接决定地图大小与 PSNR 的权衡（Table II–III）。\n2. **Bounded Sigmoid** 依赖 sigmoid 与重参数化；其自适应上界依赖当前高斯尺度分布（Algorithm 1）。\n3. **SBA** 依赖 Surfel 表示、G-ICP 协方差、位姿图与 iSAM2；其输出（精化轨迹）触发高斯二次精化。\n4. **渲染损失**依赖 Alpha 合成与 L1/D-SSIM；局部建图与全局二次精化复用同一损失（Eq. 10、Eq. 20）。\n5. **评测指标**依赖：RTK-GPS（轨迹真值）与 GT 图像（PSNR）；消融将 BS 与 SBA 的独立及联合效应解耦（Table IV）。\"\n}\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G：验证、冲突与参考文献核查\n\n### 1. 关键事实性声明核查（每条声明附至少两个文内来源）\n\n### 声明 G1：LIVE-GS 是在线 LiDAR-Inertial-Visual SLAM 框架，采用双地图架构（surfel 定位图 + 3DGS 渲染图），紧耦合 3DGS 与 surfel 优化。\n\n- 来源 1：Abstract（“an online LiDAR-Inertial Visual SLAM framework that tightly couples 3D Gaussian Splatting with LiDAR-based surfels”）。\n- 来源 2：第 III 节开头与 Fig. 2（“dual map representations: a sparse surfel map for efficient localization and a dense 3D Gaussian map for photorealistic rendering”）。\n- 核查结论：摘要与正文相互印证，一致。\n- 保留意见：全文仅报告整段序列总耗时（Tables II/III 的 Dur.），未给出逐帧/逐关键帧延迟，严格“实时性”证据不足（见 U3）。\n\n### 声明 G2：深度不变高斯初始化按投影像素足迹（而非欧氏距离/局部点密度）确定高斯尺度。\n\n- 来源 1：第 I 节贡献列表第 2 条（“determines Gaussian scale based on its projected footprint in pixel space, rather than by Euclidean distance”）。\n- 来源 2：第 III-B 节 Eq. (5)–(8) 与 Fig. 3（经投影 Jacobian J 与 Σ_2D = JΣ_3D J^T 计算投影面积比 k，并以 √k 缩放各向尺度）。\n- 交叉验证：第 IV-C 节 Table II/III 中 Ours(1pixel) 与 Ours(5pixel) 变体对比（CBD02 地图 235.0→55.2 MB，PSNR 27.5→27.0 dB）支持该机制的实际效果。\n- 核查结论：数学链条自洽（Σ ∝ σ²，故 σ 乘 √k 使投影面积乘 k），数值证据一致。\n\n**声明 G3：有界 sigmoid（BS）重参数化将高斯尺度限制在 [σ_min, σ_max]，抑制未观测区域高斯的无限增长。**\n\n- 来源 1：第 III-C 节 Eq. (12)–(13)（σ_bounded = σ_min + (σ_max−σ_min)·sigmoid(s) 及其逆映射）与 Algorithm 1。\n- 来源 2：第 IV-D 节 Table IV（启用 BS 后 max σ 从数十至数百量级降至 0.11–0.43）与 Fig. 8 定性对比。\n- 核查结论：定量与定性证据互相支持，一致。\n\n## 声明 G4：轨迹精度方面，Ours 在 Botanic Garden 三个序列上 ATE 均最优（0.528/0.529/0.498 m）。\n\n- 来源 1：第 IV-B 节正文（“Ours achieves the best ATE on all three sequences (0.528/0.529/0.498 m)”）。\n- 来源 2：Table I（Seq.00: 0.528 vs FAST-LIVO2 1.190 / R3LIVE 0.825 / GS-LIVM 1.247 / Gaussian-LIC 1.812；Seq.01: 0.529；Seq.07: 0.498）与 Fig. 6。\n- 核查结论：正文与表格逐项吻合；Z-RMSE 表述（Ours 于 Seq.00/01 最优 0.352/0.177；FAST-LIVO2 于 Seq.07 最优 0.281、Ours 次优 0.286）亦与 Table I 一致。\n\n## 声明 G5：渲染质量方面，Ours(1pixel) 在 CBD02、Retail、airport03 上 PSNR 最高。\n\n- 来源 1：第 IV-C 节正文。\n- 来源 2：Table II（CBD02: 27.5；Retail: 29.2）与 Table III（airport03: 20.0）。\n- 核查结论：与表格一致；正文未声称 SYSU01 上 Ours(1pixel) 最高（实际 Ours(5pixel) 27.9 > 27.8），表述严谨无夸大。\n\n## 声明 G6：Ours(5pixel) 在六个数据集中的五个取得最小地图（如 Retail 31.0 MB、SYSU01 24.7 MB）。\n\n- 来源 1：第 IV-C 节正文。\n- 来源 2：逐项核对 Table II/III：CBD02 55.2（次小 Photo-SLAM 171.7）✓；Retail 31.0（次小 GS-ICP-SLAM 74.3）✓；SYSU01 24.7（次小 Photo-SLAM 81.3）✓；airport03 47.1（次小 Photo-SLAM 77.9）✓；Reception 26.8（次小 Photo-SLAM 31.4）✓；Demo room 57.5（Photo-SLAM 17.2 更小）✗。\n- 核查结论：“5/6”表述准确，唯一例外为 Demo room。\n\n## 声明 G7：消融实验表明 SBA 与 BS 组合取得最佳效果。\n\n- 来源 1：第 IV-D 节正文（“Combining both components yields the best result across all datasets”）。\n- 来源 2：Table IV 与 Fig. 8。\n- 核查结论：**部分成立、存在冲突**。CBD02（27.0）与 Retail（28.1）上 BS(O)SBA(O) 确为该行 PSNR 最高；但 Reception 上 BS(x)SBA(O) = 27.2 > BS(O)SBA(O) = 26.7，与“across all datasets”的表述在 PSNR 维度上矛盾（详见冲突 C1）。max σ 指标上组合配置（0.43/0.34/0.11）确实最优。\n\n## 声明 G8：系统采用 iSAM2 进行增量式全局位姿图优化。\n\n- 来源 1：第 III-D 节（“we employ iSAM2 [^20], which updates only the affected parts of the pose graph”）。\n- 来源 2：参考文献 [^20]（Kaess et al., IJRR 31(2), 2012, Bayes tree）。\n- 核查结论：引用与所述功能匹配，一致。\n\n## 声明 G9：双地图设计与 surfel-to-surfel 全局约束的方法溯源为 Elastic LiDAR Fusion 系列。\n\n- 来源 1：第 III 节开头（“inspired by Elastic LiDAR Fusion [^13], [^14]”）与第 III-D 节（“long-range structure-preserving terms [^13], [^14]”）。\n- 来源 2：参考文献 [^13]（C. Park et al., ICRA 2018）、[^14]（IEEE T-RO 38(2), 2022）与 [^16]（Probabilistic Surfel Fusion, ICCVW 2017，第 III-A 节 surfel 提取/匹配来源）。\n- 核查结论：一致，并与 Module A 中对作者团队背景的推断相互印证。\n\n## 声明 G10：实验平台为 AMD Ryzen 9 7900 CPU、64GB RAM、NVIDIA RTX 4090 GPU；自定义数据集使用硬件级同步手持设备（Livox AVIA / MID-360 + IMU + 相机）。\n\n- 来源 1：第 IV-A 节（硬件配置与标定工具 [^23]）。\n- 来源 2：Fig. 5（两款手持平台与传感器集成说明）。\n- 核查结论：一致。\n\n## 声明 G11：GS-ICP-SLAM 与 GS-SDF 在 airport03（大规模室外 UAV 序列）上完全失败。\n\n- 来源 1：第 IV-C 节正文（“GS-ICP-SLAM [^7] and GS-SDF fail entirely on airport03 due to algorithm failure”）。\n- 来源 2：Table III 中 airport03 行两方法的 PSNR/Map/Dur. 均标为“-”（表注：- indicates algorithm failure）。\n- 核查结论：一致。\n\n### 2. 冲突与不确定性说明\n\n- **C1（正文与 Table IV 的数值冲突）**：正文声称“SBA 与 BS 组合在所有数据集上最佳”，但 Table IV 中 Reception 的 PSNR 为 BS(x)SBA(O) = 27.2 > BS(O)SBA(O) = 26.7，组合配置并非该数据集 PSNR 最高。该结论仅在结合 max σ 指标（组合配置 0.11 最优）时勉强成立。引用消融结论时应限定为“CBD02 与 Retail 上 PSNR 最佳；Reception 上以尺度控制换取结构一致性”。\n- **U1（元数据缺失）**：文档未提供作者机构脚注（编号 1/2/3 无对应单位）、会议/期刊名称与发表年份。仅能从 IEEE 双栏排版、参考文献格式及所引 2025 年文献（[^3] arXiv Mar. 2025；[^6] IEEE T-RO 2025；[^24] ICCV 2025, pp. 26869–26879）推断为 2025 年及以后的 IEEE 机器人类会议投稿/预印本。引用时应按预印本谨慎标注。\n- **U2（参考文献 [^5] 条目损坏）**：文献列表 [^5] 显示为“T. Shan, B. Engl. VI-SAM: Tightly-coupled Lidar-Visu. Mapping, in 2021 IEFR on (ICRA)”，明显为 OCR/排版错误。合理还原应为 T. Shan 与 B. Englot 的 LVI-SAM（ICRA 2021）。使用该引用前需核对原始文献。\n- **U3（“在线/实时”声明的证据强度）**：实验仅报告全序列总处理时长（如 Reception 96 s），未给出每帧或每关键帧延迟、跟踪线程帧率，也未说明前端跟踪与后端建图的并行是否满足传感器实时约束。严格意义上的实时性无法从文中数据独立验证。\n- **U4（Algorithm 1 伪代码不完整）**：第 8–10 行分支（ratio_low > 0.95 时）仅给出 σ_max ← InverseBoundedSigmoid(...)，缺少 s_new 的更新语句；且阈值 0.95 与另一分支的 0.15 不对称，无法确认是设计选择还是排版遗漏。复现时需自行补全逻辑（推测为：缩小 σ_max 并经逆映射重写 s 以保持当前尺度）。\n- **U5（方法命名不一致）**：正文第 II-C 节将文献 [^11] 称为“LI-GS”，而参考文献 [^11] 标题为“LIGS: Gaussian Splatting With LiDAR Incorporated for Accurate Large-Scale Reconstruction”（IEEE RA-L 2025）。两名称指向同一文献但写法不一，检索与引用时需注意。\n- **U6（正文表述轻微不精确）**：第 IV-C 节称“On our in-house datasets, our method records the fastest processing time (96s) with the smallest map (26.8 MB)”。核对 Table III：96 s 与 26.8 MB 仅对应 Reception；Demo room 上 Ours 耗时 142 s，并非最快（GS-ICP-SLAM 为 46 s）。该句以偏概全，引用时应限定为 Reception 序列。\n- **U7（自定义数据集不可获取）**：Reception 与 Demo room 未提供下载链接，标定依赖 [^23]（targetless 标定工具），第三方无法直接复现涉及这两个序列的结果。Botanic Garden 真值为厘米级 RTK-GPS [^22]，与报告 ATE（约 0.5 m）之间裕度充足，轨迹指标可信。\n- **U8（定性图不可独立验证）**：Fig. 6（Seq. 07 轨迹对齐）、Fig. 7（渲染误差图）、Fig. 8（消融定性对比）为可视化证据，文本无法进一步核验；结论应以 Tables I–IV 数值为准。另 Tables I–IV 表注依赖绿/橙颜色标注最优/次优，文本提取中颜色信息丢失，最优性判断以数值核对为准。\n- **U9（超参数敏感性未报告）**：λ_photo = 0.5（Eq. 4）、λ_ssim = 0.2（Eq. 10）、λ_surfel = 1.0（Eq. 17）及 Algorithm 1 中 0.15/0.95/1.2 等阈值均为固定值，无敏感性分析，跨平台迁移可能需重新调参。\n- **U10（次要引用瑕疵）**：[^12] HGS-Mapping 标注为 RA-L vol. 9, no. 11, Jan. 2024，vol. 9 issue 11 通常对应 2024 年 11 月，月份与卷期疑似不匹配；不影响结论，但引用时建议核对原刊。\n\n### 3. 参考文献列表（含核查状态）\n\n1. [^1] B. Kerbl, G. Kopanas, T. Leimkuehler, G. Drettakis, “3D Gaussian Splatting for Real-Time Radiance Field Rendering,” ACM TOG 42(4), pp. 139:1–139:14, 2023 — 真实存在（3DGS 原始论文），信息正确。\n2. [^2] J. L. Schönberger, J.-M. Frahm, “Structure-from-Motion Revisited,” CVPR 2016, pp. 4104–4113 — 真实（COLMAP），信息正确。\n3. [^3] J. Liu et al., “GS-SDF: LiDAR-Augmented Gaussian Splatting and Neural SDF…,” arXiv:2503.10170, Mar. 2025 — 编号格式合理；文中作为离线基线（30k iterations，Table II）。\n4. [^4] J. Cui et al., “LetsGo: Large-Scale Garage Modeling and Rendering via LiDAR-Assisted Gaussian Primitives,” ACM TOG 43(6), 2024 — 真实，信息正确。\n5. [^5] T. Shan, B. Englot（LVI-SAM, ICRA 2021）— 原文条目损坏（见 U2），需人工还原。\n6. [^6] C. Zheng et al., “FAST-LIVO2: Fast, Direct LiDAR-Inertial-Visual Odometry,” IEEE T-RO 41, pp. 326–346, 2025 — 真实；兼为数据集来源（Retail_Street/CBD02/SYSU_01）与轨迹基线。\n7. [^7] S. Ha, J. Yeon, H. Yu, “RGBD GS-ICP SLAM,” ECCV 2024, Part XXXVI, pp. 180–197 — 真实；在线视觉基线。\n8. [^8] H. Huang et al., “Photo-SLAM…,” CVPR 2024, pp. 21584–21593 — 真实；在线视觉基线。\n9. [^9] N. Keetha et al., “SplaTAM…,” CVPR 2024, pp. 21357–21366 — 真实；仅见于相关工作，未参与实验对比。\n10. [^10] X. Lang et al., “Gaussian-LIC…,” arXiv:2404.06926, Sept. 2024 — 真实；LIV-3DGS 轨迹基线（Table I）。\n11. [^11] C. Jiang et al., “LIGS…,” IEEE RA-L 10(2), pp. 1864–1871, Feb. 2025 — 真实；正文称 LI-GS（见 U5）。\n12. [^12] K. Wu et al., “HGS-Mapping…,” IEEE RA-L 9(11), pp. 9573–9580, 2024 — 真实；月份标注存疑（见 U10）。\n13. [^13] C. Park et al., “Elastic LiDAR Fusion: Dense Map-Centric Continuous-Time SLAM,” ICRA 2018, pp. 1206–1213 — 真实；双地图设计来源之一。\n14. [^14] C. Park et al., “Elasticity Meets Continuous-Time: Map-Centric Dense 3D LiDAR SLAM,” IEEE T-RO 38(2), pp. 978–997, 2022 — 真实；双地图设计来源之一。\n15. [^15] C. Forster et al., “On-Manifold Preintegration for Real-Time Visual-Inertial Odometry,” IEEE T-RO 33(1), pp. 1–21, 2017 — 真实（IMU 预积分），信息正确。\n16. [^16] C. Park et al., “Probabilistic Surfel Fusion for Dense LiDAR Mapping,” ICCVW 2017, pp. 2418–2426 — 真实；surfel 提取与匹配来源。\n17. [^17] C. Forster, M. Pizzoli, D. Scaramuzza, “SVO: Fast semi-direct monocular visual odometry,” ICRA 2014, pp. 15–22 — 真实；稀疏特征点跟踪来源。\n18. [^18] Z. Wang et al., “Image quality assessment: From error visibility to structural similarity,” IEEE TIP 13(4), pp. 600–612, 2004 — 真实（SSIM/D-SSIM），信息正确。\n19. [^19] A. Segal, D. Haehnel, S. Thrun, “Generalized-ICP,” RSS 2009 — 真实（G-ICP）；第 III-D 节 surfel 对齐残差与协方差组合（Eq. 15–16）的理论基础。\n20. [^20] M. Kaess et al., “iSAM2: Incremental smoothing and mapping using the Bayes tree,” IJRR 31(2), pp. 216–235, 2012 — 真实；全局后端求解器。\n21. [^21] H. Li et al., “MARS-LVIG dataset…,” IJRR 43(8), pp. 1114–1127, 2024 — 真实；airport03 序列来源。\n22. [^22] J. Lin, F. Zhang, “R3LIVE…,” ICRA 2022, pp. 10672–10678 — 真实；兼为 Botanic Garden 数据集来源与轨迹基线。\n23. [^23] C. Park et al., “Spatiotemporal Camera-LiDAR Calibration: A Targetless and Structureless Approach,” IEEE RA-L 5(2), pp. 1556–1563, 2020 — 真实；自定义数据集标定工具。\n24. [^24] Y. Xie et al., “GS-LIVM: Real-Time Photo-Realistic LiDAR-Inertial-Visual Mapping with Gaussian Splatting,” ICCV 2025, pp. 26869–26879 — 标注为 ICCV 2025；本文引用该 2025 年文献，可推断本文成文不早于 2025 年（与 U1 一致）。\n\n**总体核查结论**：文内数值声明（Tables I–IV 与正文数字）经逐项交叉核对基本一致，未发现数据层面的伪造迹象；主要风险集中在：消融结论与 Table IV 在 Reception 上的数值冲突（C1）、元数据缺失（U1）、单条参考文献损坏（U2）、“在线”声明的实时性证据不足（U3）与 Algorithm 1 伪代码不完整（U4）。复现与引用时应按上述条目逐一处理。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## Module H：图表提取与深度解读\n\n### 1. 图表完整索引\n\n#### 1.1 图（Figures）索引\n\n| 编号 | 标题 / 说明 | 类型 | 位置 | 支持的论断 | 优先级评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 重建 3D Gaussian 地图鸟瞰图（左）与选定视角渲染图（右） | 效果展示图 | 第 I 节 | 全局优化的 LiDAR-Inertial-Visual 建图在大尺度室外环境产生照片级渲染（摘要与第 I 节动机） | 3/5 |\n| Fig. 2 | LIVE-GS 系统总览：双地图架构（2D surfel 定位图 + 深度不变 3D Gaussian 渲染图），前端跟踪、回环全局精化 | 系统架构图 | 第 I 节末 / 第 III 节开头 | 双地图设计、前端-后端闭环数据流（第 III 节开头明确引用 As shown in Fig. 2） | 5/5 |\n| Fig. 3 | Depth-Invariant Gaussian Initialization：(a) 初始化整体流程，(b) 与 conics 的关系 | 方法示意图 | 第 III-B 节 | 深度不变初始化：Jacobian 随深度 Z 增大而缩小 2D 投影，故需按 conic 投影面积自适应缩放（Eq. 5–8） | 4/5 |\n| Fig. 4 | Sliding-window 3DGS Optimization：联合优化最近 K 个关键帧位姿与全部可见高斯 | 方法示意图 | 第 III-C 节 | 滑窗局部建图机制（Eq. 9–13 与 Algorithm 1 的配套可视化） | 4/5 |\n| Fig. 5 | 实验手持平台：Livox AVIA（左）与 MID-360（右），集成 IMU 与相机 | 实验设备图 | 第 IV-A 节 | 自采数据集（Reception / Demo room）的硬件级时间同步与标定依据（标定工具 [^23]） | 3/5 |\n| Fig. 6 | Botanic Garden 轨迹精度对比（与 RTK-GPS 真值轨迹对齐） | 定量结果图 | 第 IV-B 节 | Ours 在 Seq. 07 上最贴近真值轨迹，直观佐证 Table I 的 ATE 最优结论 | 5/5 |\n| Fig. 7 | 定性渲染结果：每列一个数据集，三行分别为 GT / 渲染图 / 相对 GT 的误差图 | 定性结果图 | 第 IV-C 节 | 渲染质量定性对比，为 Table II/III 的 PSNR 数值提供视觉证据 | 4/5 |\n| Fig. 8 | BS 与 SBA 消融定性结果：上排为无 SBA（左）/ 无 BS（右），下排为有 SBA（左）/ 有 BS（右） | 消融定性图 | 第 IV-D 节 | SBA 改善关键帧对齐但放任高斯过大（模糊物体边界）；BS 恢复结构保真度（配合 Table IV） | 4/5 |\n\n#### 1.2 表（Tables）索引\n\n| 编号 | 标题 | 类型 | 位置 | 支持的论断 | 优先级评分 |\n|---|---|---|---|---|---|\n| TABLE I | Trajectory accuracy on the Botanic Garden dataset [^22] | 定量对比表（ATE / Z-RMSE，含 Trad. 与 3DGS 两类基线） | 第 IV-B 节 | Ours 在三条序列 ATE 全部最优（0.528 / 0.529 / 0.498 m）；Z-RMSE 在 Seq. 00/01 最优（0.352 / 0.177 m）、Seq. 07 次优（0.286 m，FAST-LIVO2 最优 0.281 m） | 5/5 |\n| TABLE II | Rendering comparison with existing methods on the FAST-LIVO2 datasets（CBD02 / Retail / SYSU01） | 定量对比表（PSNR↑ / Map(MB)↓ / Dur.(s)↓） | 第 IV-C 节 | Ours(1pixel) 在 CBD02（27.5 dB）与 Retail（29.2 dB）PSNR 最高；Ours(5pixel) 地图最小（CBD02 55.2 MB、Retail 31.0 MB、SYSU01 24.7 MB），CBD02 地图 235.0→55.2 MB（4.3× 压缩）仅损失 0.5 dB | 5/5 |\n| TABLE III | Rendering comparison with existing methods on the MARS-LVIG [^21] and our datasets（airport03 / Demo room / Reception） | 定量对比表（PSNR↑ / Map(MB)↓ / Dur.(s)↓，- 表示算法失败） | 第 IV-C 节 | GS-SDF 与 GS-ICP-SLAM 在 airport03 完全失败；自采数据集上 Ours 最快（96 s）且地图最小（26.8 MB）；Demo room 上 Ours(5pixel) PSNR（28.3）反超 Ours(1pixel)（25.5），归因于近距采集点云稀疏、更大初始像素足迹覆盖更完整 | 5/5 |\n| TABLE IV | Quantitative ablation results of BS and SBA | 消融表（PSNR↑ / max σ↓，2×2 组合设计） | 第 IV-D 节 | BS+SBBA 组合在 CBD02 / Retail / Reception 三数据集 PSNR 均最优（27.0 / 28.1 / 26.7 dB）；BS 将 max σ 从 690.23 / 71.29 / 105.17 压至 0.43 / 0.34 / 0.11–0.12 | 5/5 |\n\n#### 1.3 算法伪代码（补充索引）\n\n| 编号 | 内容 | 位置 | 支持的论断 |\n|---|---|---|---|\n| Algorithm 1 | 高斯 splat 自适应尺度上界调整：ratio_top > 0.15 时 σ_max 放大 1.2×，ratio_low > 0.95 时经 InverseBoundedSigmoid 收缩；BoundedSigmoid / InverseBoundedSigmoid 对应 Eq. 12 / Eq. 13 | 第 III-C 节 | 有界 sigmoid 的动态 σ_max 调整机制，维持 splat 尺寸分布均衡 |\n| Algorithm 2 | Surfel Bundle Adjustment 关键帧精化：周期性从 SBA 获取优化轨迹，未优化帧按相对位姿链式传播更新，检测到回环后触发稀疏地图精化 | 第 III-D 节 | 全局位姿图优化结果向高斯地图传播与二次精化的触发流程 |\n\n### 2. 最高优先级深度解读（Top-priority deep reads，5 项）\n\n1. **TABLE I + Fig. 6（轨迹精度，核心论断的直接证据）**\n   - 结论链：Ours ATE 0.528 / 0.529 / 0.498 m 在三条序列全部最优（第 IV-B 节）；对比 GS-LIVM 在 Seq. 07 退化至 1.785 m、Gaussian-LIC 全序列最差（1.812 / 0.783 / 2.832 m），支撑「朴素 3DGS + LiDAR-inertial 里程计集成不足以维持长期轨迹一致性，而 surfel bundle adjustment 的 surfel-to-surfel 约束可抑制累积漂移」这一核心主张。\n   - 批判性注意点：轨迹评测仅依赖 Botanic Garden 单一数据集（厘米级 RTK-GPS 真值，第 IV-A 节），跨场景泛化证据有限；Z-RMSE 上 FAST-LIVO2 在 Seq. 07 更优（0.281 vs 0.286 m），论文如实报告并归因于其直接 LiDAR 特征对垂直漂移的强约束。\n\n2. **TABLE II + TABLE III + Fig. 7（渲染质量与效率，贡献 1 与贡献 4 的证据）**\n   - 结论链：Ours(1pixel) 在 CBD02 / Retail / SYSU01 / airport03 四个数据集 PSNR 最高（27.5 / 29.2 / 27.8 / 20.0 dB）；Ours(5pixel) 在 6 个数据集中的 5 个取得最小地图（Retail 31.0 MB、SYSU01 24.7 MB 等），CBD02 上 235.0→55.2 MB（4.3×）仅降 0.5 dB，支撑「深度不变初始化可在保持感知保真的同时控制表示密度」（第 IV-C 节）。\n   - 批判性注意点：airport03 上 GS-SDF 与 GS-ICP-SLAM 失败（表中 -），属鲁棒性对比而非同条件精度对比；Demo room 上 Ours(1pixel) PSNR（25.5）低于 GS-SDF 与 Photo-SLAM（均 28.1），论文以 Ours(5pixel)（28.3）的变体切换来解释，需注意并非单一配置全胜。\n\n3. **TABLE IV + Fig. 8（消融，贡献 3 与 SBA 有效性的证据）**\n   - 结论链：BS(O) 使 max σ 从 71.29–690.23 降至 0.11–0.43（尺度受控）；SBA 单独提升 PSNR 但不控制尺度（Fig. 8 左上，超大 splat 模糊物体边界）；Reception（玻璃墙暴露远处室外区域）上 BS(O) SBA(x) PSNR 降至 24.5，说明严格上界会移除远区粗覆盖，组合 SBA 后恢复至 26.7，支撑「SBA 提供全局一致位姿、BS 保证高斯空间紧凑，二者互补、缺一不可」（第 IV-D 节）。\n\n4. **Fig. 2（系统架构，理解全文的入口图）**\n   - 结论链：双地图架构（surfel 定位 + 3DGS 渲染）、前端对全局 surfel 图的低延迟跟踪与高斯初始化/局部精化、后端回环与位姿-高斯联合全局优化、更新地图反馈前端的闭环数据流，与第 III 节 A–D 四个小节（Eq. 1–4 / Eq. 5–8 / Eq. 9–13 / Eq. 14–18）一一对应；其设计溯源为 Elastic LiDAR Fusion [^13][^14]（第 III 节开头）。\n\n5. **Fig. 3 + Algorithm 1（两个方法学新组件的可视化与实现细节）**\n   - 结论链：Fig. 3 解释 kNN 初始化在 LiDAR 稀疏远距点失效的几何原因（投影 Jacobian 随 Z 增大而缩小，Eq. 6–7），引出按目标像素足迹（n=1 / n=5，Eq. 8）缩放的深度不变初始化；Algorithm 1 给出 σ_max 动态调整的具体阈值（ratio_top > 0.15 放大 1.2×、ratio_low > 0.95 收缩），是复现的关键参数来源。\n   - 批判性注意点：文档中 Algorithm 1 第 8–10 行排版不完整（Module A 已标注），InverseBoundedSigmoid 分支的完整逻辑需结合 Eq. 13 推断。\n\n### 3. 图表关系 / 实验设置关系图\n\n``n【系统流水线与图表对应】\n传感器层（Fig. 5：Livox AVIA / MID-360 + IMU + 相机，硬件级同步）\n        │ 同步 LiDAR-相机-IMU 流\n        ▼\n前端（Fig. 2 左半）：LIV 里程计（Eq. 1–4：point-to-plane ICP + 光度残差，λ_photo=0.5）\n        │ 关键帧创建（平移/旋转超阈值）\n        ▼\n局部建图（Fig. 4 滑窗 K 关键帧；Fig. 3 深度不变初始化 Eq. 5–8；\n\n    // Algorithm 1: 有界 sigmoid 自适应上界；Eq. 9–13 渲染损失）\n\n        │\n        ▼\n后端（Fig. 2 右半）：回环检测 → surfel-to-surfel 约束（Eq. 14–16，G-ICP 框架 [19]）\n        → iSAM2 全局位姿图优化（Eq. 17，λ_surfel=1.0）\n        → 受影响关键帧的高斯刚体变换 + 二次外观精化（Eq. 18、Algorithm 2）\n        │\n        └──► 更新地图反馈前端（长期一致性闭环）\n\n【实验设置与结果图表映射】（第 IV-A 节）\n数据集\n ├─ Botanic Garden Seq. 00/01/07（RTK-GPS 厘米级真值 [22]）──► TABLE I + Fig. 6（轨迹精度）\n ├─ FAST-LIVO2：CBD02 / Retail / SYSU01 [6] ────────────────► TABLE II + Fig. 7（渲染对比）\n ├─ MARS-LVIG：airport03（UAV 海岸场景 [21]）────────────────► TABLE III + Fig. 7（渲染对比）\n └─ 自采：Reception / Demo room ────────────────────────────► TABLE III + Fig. 7（渲染对比）\n                                                            Reception 另用于 TABLE IV + Fig. 8（消融）\n基线分组：\n 离线 3DGS：GS-SDF [3]（30k 迭代）、LetsGo [4]（15k 迭代）\n 在线视觉 3DGS：Photo-SLAM [8]、GS-ICP-SLAM [7]\n 传统 LIV：FAST-LIVO2 [6]、R3LIVE [22]\n LIV-3DGS：GS-LIVM [24]、Gaussian-LIC [10]\n自采变体：Ours(1pixel) / Ours(5pixel)（目标投影足迹 n=1 / n=5 像素）\n硬件：AMD Ryzen 9 7900 CPU / 64GB RAM / NVIDIA RTX 4090 GPU\n``n\n\n### 4. 图表 → 结论映射\n\n| 论文结论 / 贡献 | 直接证据（图表） | 关键数值 / 观察 | 位置 |\n|---|---|---|---|\n| 贡献 1：在线 LIV-3DGS 框架耦合 SBA，轨迹精度在在线 3DGS 方法中具竞争力 | TABLE I、Fig. 6 | ATE 0.528 / 0.529 / 0.498 m 三序列全部最优；GS-LIVM 与 Gaussian-LIC 在长序列显著退化 | 第 IV-B 节 |\n| 贡献 2：深度不变高斯初始化减小地图体积、PSNR 损失微小 | TABLE II、TABLE III、Fig. 3、Fig. 7 | CBD02 地图 235.0→55.2 MB（4.3×），PSNR 27.5→27.0 dB；5/6 数据集地图最小 | 第 IV-C 节 |\n| 贡献 3：有界 sigmoid 约束抑制稀疏观测区域高斯失控增长 | TABLE IV、Fig. 8、Algorithm 1 | max σ 从 690.23 / 71.29 / 105.17 降至 0.43 / 0.34 / 0.11–0.12 | 第 III-C 节、第 IV-D 节 |\n| 贡献 4：六数据集综合评测，渲染质量与效率相对离线/在线基线均具竞争力 | TABLE II、TABLE III、Fig. 7 | 4/6 数据集 PSNR 最高；自采数据集最快 96 s、最小 26.8 MB；离线基线 GS-SDF 在 SYSU01 耗时 1752 s | 第 IV-C 节 |\n| 消融结论：SBA 与 BS 互补，组合配置在所有数据集最优 | TABLE IV、Fig. 8 | 组合 PSNR 27.0 / 28.1 / 26.7 dB 均为最优；Reception 上单独 BS 因玻璃墙远区覆盖缺失而 PSNR 降至 24.5 | 第 IV-D 节 |\n| 系统可行性：双地图架构 + 硬件同步平台支撑在线运行 | Fig. 2、Fig. 5 | 前端跟踪 / 后端全局优化闭环；Livox AVIA 与 MID-360 两种平台 | 第 III 节、第 IV-A 节 |\n| 整体动机：大尺度室外环境照片级渲染能力 | Fig. 1 | 鸟瞰高斯地图与多视角渲染展示 | 第 I 节 |\n| 局限与未来工作：未显式使用 LiDAR 深度监督、动态物体与恶劣天气未处理 | 无直接图表（文字声明，第 V 节） | 深度约束可抑制漂浮高斯；时序建模与外观分解先验为后续方向 | 第 V 节 |\n\n### 5. 图表完整性核查说明\n\n- 文档共含 8 幅图（Fig. 1–8）、4 张表（TABLE I–IV）、2 个算法伪代码块（Algorithm 1–2），全部已索引，无遗漏。\n- TABLE II/III 注明 - 表示算法失败（airport03 上 GS-SDF 与 GS-ICP-SLAM），绿色/橙色分别标注最优与次优，阅读时需区分「失败缺席」与「低分」。\n- Algorithm 1 第 8–10 行在原文档中排版不完整（Module A 已识别的风险项），其收缩分支逻辑需依据 Eq. 13 的逆映射推断，复现时需谨慎。\n- 论文未提供渲染指标 SSIM/PSNR 之外的标准差或多跑统计，TABLE I–IV 均为单次运行结果，显著性无法从图表直接判断。"
}