Gaussian SLAM rekonstruiert aus RGBD-Datenströmen renderbare 3D-Szenen. Es ist die erste neuronale RGBD-SLAM-Methode, die realweltliche Szenen fotorealistisch rekonstruieren kann. Durch die Verwendung von 3D-Gauß-Verteilungen als Hauptbausteine der Szenendarstellung überwinden wir die Grenzen bisheriger Ansätze. Wir beobachten, dass herkömmliche 3D-Gauß-Verteilungen im monokularen Setting nur schwer zu handhaben sind: Sie kodieren keine präzisen geometrischen Informationen und sind schwer durch sequenzielle Einzelbildüberwachung zu optimieren. Durch die Erweiterung herkömmlicher 3D-Gauß-Verteilungen zur Kodierung geometrischer Informationen und die Entwicklung einer neuartigen Szenendarstellung sowie einer Methode zu deren Wachstum und Optimierung präsentieren wir ein SLAM-System, das realweltliche Datensätze rekonstruieren und rendern kann, ohne Geschwindigkeit und Effizienz zu beeinträchtigen. Gaussian SLAM rekonstruiert und rendert realweltliche Szenen fotorealistisch. Wir haben unsere Methode auf gängigen synthetischen und realweltlichen Datensätzen evaluiert und mit anderen hochmodernen SLAM-Methoden verglichen. Schließlich zeigen wir, dass die resultierende 3D-Szenendarstellung durch effizientes Gaussian splatting in Echtzeit gerendert werden kann.