本篇文章提出了一种用于稀疏视觉 SLAM 系统的新型稠密建图框架，它基于一种紧凑的场景表示方式，可以用于机器人和增强现实等应用领域。该框架使用了变分自编码器，通过多视角优化可以改善重叠帧的一致性，对于任意度量的稀疏 SLAM 系统进行无缝集成，能够进行全局一致的稠密三维重建。

Jul, 2021

该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

Mar, 2019

该研究论文利用学习到的紧凑深度图表示和重构三种不同类型的误差，将光度误差，重投影误差和几何误差应用于标准因子图软件中，将不同的方法统一到概率框架中，实现实时性能的同时对现实世界序列的轨迹估计和深度重建进行评估，并呈现了估计的丰富几何示例。

Jan, 2020

本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

Nov, 2016

提出了一种融合通用迭代最近点（G-ICP）和 3D 高斯光滑（3DGS）的新型密集表达 SLAM 方法，通过使用单个高斯地图进行跟踪和建图，实现了冗余计算的最小化、系统效率的提升以及跟踪精度和建图质量的增强。

Mar, 2024

提出了一种基于灵活的神经网络点云场景表示的高效 RGB-only 稠密 SLAM 系统，通过适应关键帧姿态和深度更新，优化了位姿和深度，并在回环检测、全局束调整等方面取得了较好或有竞争力的跟踪、建图和渲染准确性。

Mar, 2024

提出了一种紧凑的 3D 高斯着色 SLAM 系统，通过减少冗余椭球体的数量和参数大小来降低内存和存储成本，并实现了快速训练和呈现速度。通过滑动窗口的屏蔽策略减少冗余的椭球体，然后观察到大多数 3D 高斯椭球体的协方差矩阵（几何）非常相似，从而激发出一种新的几何码本来压缩 3D 高斯几何属性。通过全局捆绑调整方法和重投影损失实现了稳健准确的姿态估计，实验结果表明我们的方法在保持最先进的场景表示质量的同时实现了更快的训练和呈现速度。

Mar, 2024

提出了一种利用神经隐式场表示解决室内场景语义 V-SLAM 问题的在线框架，并通过多项实验表明其在测试时间具有精确的跟踪、地图绘制和语义标注能力，能够扩展到 RGB 图像输入，为机器人视觉感知及相关问题提供了可行的解决方案。

Apr, 2023

GO-SLAM 是一种基于深度学习的稠密视觉 SLAM 框架，通过全局优化姿态和三维重建实时改进相机跟踪和重构方面的错误累积问题，并通过有效的闭环检测和在线全捆绑调整支持鲁棒的姿态估计和实时三维重建，同时在运行中实时更新隐式和连续的表面表示以确保全局一致性的三维重建，各种合成和真实世界数据集的结果表明，GO-SLAM 在跟踪鲁棒性和重建精度方面优于现有方法，并且具有多样性，可配合单目、立体和 RGB-D 输入工作。

Sep, 2023

Co-SLAM 是一种基于混合表示的神经 RGB-D SLAM 系统，它使用多分辨率哈希网格来表示场景，并具有鲁棒的相机跟踪和高保真度的表面重建，支持实时性能。

Apr, 2023