该论文旨在解决基于单目输入的单目SLAM系统中应用高斯泼溅(Gaussian Splatting)技术时面临的挑战。研究背景是：高斯泼溅作为一种有吸引力的地图表示方法，能够实现密集且逼真的场景建模，但在单目SLAM中，由于缺乏来自单目输入的可靠几何线索，在没有几何监督的情况下，建图或跟踪容易陷入局部最优，导致结构退化和不准确。
论文提出了GaussianFlow SLAM方法，具体包括：
- 利用光流(optical flow)作为几何感知线索，指导场景结构和相机位姿的优化。
- 通过鼓励高斯泼溅的投影运动（称为高斯流(GaussianFlow)）与光流对齐，为地图重建和位姿估计引入一致的结构线索进行正则化。
- 引入了基于归一化误差的致密化(densification)和剪枝(pruning)模块，以细化非活跃和不稳定的高斯泼溅，从而提升地图质量和位姿精度。
论文的核心创新点在于：
- **提出了高斯流(GaussianFlow)概念**：将高斯泼溅的投影运动与光流对齐，作为一种新颖的几何感知监督信号，解决了单目输入下缺乏可靠几何线索的根本问题。
- **光流引导的联合优化框架**：与现有工作通常依赖深度估计或其他间接几何线索不同，本方法直接利用光流作为一致性约束，同时正则化地图重建（高斯泼溅优化）和相机跟踪（位姿估计），防止优化陷入局部最优。
- **归一化误差驱动的动态地图管理**：通过基于归一化误差的致密化和剪枝策略，自适应地管理高斯泼溅地图，提升了表示的效率和准确性，这是对标准高斯泼溅SLAM中固定策略的改进。
论文对该领域的整体贡献是：
- 提出并验证了GaussianFlow SLAM，一个性能优越的单目3D高斯泼溅SLAM (3DGS-SLAM) 系统，在公开数据集上实现了优于现有先进算法的渲染质量和跟踪精度。
- 为单目高斯泼溅SLAM引入了一种有效且通用的几何监督范式（光流对齐），缓解了因几何线索缺失导致的结构退化问题。
- 提供了开源代码，促进了相关领域的研究和应用。