CoRL2026 RoMo-GS｜曝光积分写入 ERF，在线 3DGS 去模糊速度提升 15–150 倍、高斯数量减少 20%

CoRL 2026 新方案 RoMo-GS 把曝光积分直接写进 ERF 误差函数里做解析计算，不用传统多帧子采样求平均，在线 3D 高斯泼溅去模糊重建的速度对比离线去模糊方案快 15 到 150 倍，同时维持同等画质的前提下，高斯基元的数量还能少 20%，解决机器人快速移动拍摄产生运动模糊、重建漂移、高斯数量无限膨胀吃显存这些老痛点，过去处理运动模糊的 3DGS 方法，需要在曝光时间段里采样很多个子帧做平均，计算开销跟着采样数量成倍上涨，很难在机器人端实时跑起来，RoMo-GS 改用 ERF 做曝光区间解析积分，单个高斯只需要 O (1) 复杂度，再搭配基于 Hessian 矩阵的高斯剪枝策略控制总量，同时联合优化相机位姿、速度和高斯参数，整套流程在线运行，在公开数据集和自研采集数据集上验证，画质不输甚至超过离线去模糊 3DGS，最终让机器人实时建图可以直接用模糊原图，不用额外硬件防抖，降低移动端部署门槛。

一、新旧 3DGS 运动去模糊方案对比

二、RoMo-GS 核心技术模块拆解

1. ERF 曝光积分运动模糊模型。不采样子帧，直接用误差函数 ERF 解析算出曝光窗口内高斯随相机运动的积分效果，把模糊计算合并到光栅化流程，单趟渲染就能出模糊图像监督信号。
2. Hessian 在线高斯剪枝。用高斯牛顿 Hessian 矩阵的不透明度对角项打分，自动删掉贡献低、冗余的高斯，抑制建图时高斯数量持续暴涨，节省显存。
3. 联合状态优化流程。先用 Adam 同步优化相机位姿、运动速度、高斯参数，再接一步在线 LM 优化，减少相机位姿漂移，提升动态场景稳定性。
4. CUDA 光栅化适配。把这套解析模糊模型接入光栅器，保证 GPU 并行渲染效率，适配机器人端实时在线建图。

三、RoMo-GS 的适用场景与边界

✅ 适合场景

• 移动机器人、无人机快速机动时的实时 3D 重建、SLAM 建图
• 相机运动剧烈、图像自带运动模糊，没法拿到清晰原图的场景
• 嵌入式、机载端算力有限，对显存、延迟敏感的机器人平台

❌ 当前局限

• 只针对运动模糊建模，对焦距、散射这类离焦模糊没有专门优化
• 属于建图渲染算法，不能当成通用图像去模糊工具单独拿出来处理照片
• 速度提升区间 15–150 倍会跟着场景模糊程度、硬件算力浮动

四、这项工作对机器人 3D 建图的价值

• 不再强制要求机器人低速、稳拍，高速移动也能拿到可靠三维地图；
• 不用额外事件相机、高帧率硬件，普通 RGB 相机就能做在线去模糊重建；
• 高斯数量精简之后，地图体积更小，更适合在机器人本地存储、实时渲染。

【常见问题】

问题 1：RoMo-GS 把曝光积分写进 ERF，这个设计是怎么加速在线 3DGS 去模糊的？

回答 1：RoMo-GS 把曝光积分写进 ERF 做解析计算，抛弃过去多子帧采样取平均的思路，每个高斯只需要 O (1) 计算量，消除多采样带来的额外光栅开销，从而让在线 3DGS 去模糊比离线方法快 15–150 倍。

问题 2：RoMo-GS 实现高斯数量少 20%，是牺牲重建画质换来的吗？

回答 2：RoMo-GS 高斯数量少 20% 不是牺牲画质，它依靠 Hessian 打分做精准剪枝，剔除冗余低效高斯，论文在多个数据集验证，在线 3DGS 去模糊后的渲染画质和离线基线持平甚至更好。

问题 3：CoRL 2026 的 RoMo-GS 可以直接用来给普通图片做去模糊吗？

回答 3：CoRL 2026 的 RoMo-GS 是面向机器人在线 3DGS 建图的运动去模糊框架，核心目标是三维重建，不是通用图像去模糊工具，不能单独拿来处理普通照片。

【参考资料】

[2026-10-17]（RoMo-GS: Efficient Online 3D Gaussian Splatting for Robot Mapping via Exposure-Integrated Motion Blur）arXiv

[2026-11-02]（CoRL 2026 Publication and Workshop Round Up）RAI Institute

[2026-11-10]（CoRL 2026 机器人学习顶会亮点论文汇总）机器之心

【免责声明】

本文仅为 CoRL2026 RoMo-GS 前沿论文资讯整理，算法速度、高斯压缩比例为论文实验条件下测试结果，实际效果受场景、硬件、模糊类型影响，不构成项目落地、商业采购、技术选型的确定性建议，完整技术细节请参考论文原文。