本文提出了 Edge SLAM 算法解决了 feature-based SLAM 在低纹理环境下不可靠的问题，通过边缘点追踪和三视图几何关系进行点对应匹配，采用新颖的本地优化技术估计新相机从而实现了同时对纹理和低纹理环境下可靠的视觉 SLAM。

Jan, 2019

基于高斯喷洒的稠密视觉同时定位与建图（VSLAM）引入了一种新的框架，通过独特地将先进的稀疏视觉里程计与稠密高斯喷洒场景表示相结合，从而消除了依赖于深度图的限制并增强了跟踪的稳健性。我们的系统在各种合成和真实数据集上的评估证明了其姿态估计的准确性超越了现有方法，达到了最先进的性能，并且在新颖视角合成保真度方面胜过以前的单目方法，与利用 RGB-D 输入的神经 SLAM 系统的结果相匹配。

May, 2024

本文提出了一种基于密集神经算法的同步定位与建图方法，使用深度学习生成的点云来锚定神经场景的特征，通过最小化基于 RGBD 的重新渲染损失，实现对跟踪和地图绘制的同时处理，通过在信息密度低的区域减少运行时间和内存使用，并将更高的点密度分配给解决更细节问题。在 Replica，TUM-RGBD 和 ScanNet 数据集上相对于现有的神经 RGBD SLAM 方法获得了更好或相似的跟踪，地图和渲染准确性。

Apr, 2023

我们提出了一种实时的基于视觉惯性的稠密建图方法，可使用顺序单眼图像和惯性测量单元（IMU）读数进行增量式三维网格重建，并提出了稀疏点辅助的多视角深度学习神经网络 (SPA-MVSNet)，即使在噪声密集的情况下也能实现高质量的 3D 网格重建。

Jun, 2023

本论文提出了一种基于深度相机和惯性传感器的微型机器人系统的新型密集 SLAM 的框架，使用非迭代的 Fourier 变换来减少计算需求，通过解耦 6 自由度数据和进行独立空间点云匹配，实现分类键帧训练以及数据关联，相较现有方法，其速度更快，分辨率更高，但精度相当。

Jan, 2017

本文研究了利用 VI-SLAM 系统从稀疏深度点云与室内场景图片中学习场景深度完成的问题，特别地，本文使用预训练的表面法向网络结合利用可用的重力估计来修正输入图像的视角限制，从而提高了表面法向估计和深度完成精度。最后，本文在 ScanNet、NYUv2 和 Azure Kinect 数据集上展示了我们的方法超越了其他最先进的方法。

Jul, 2020

该论文提出了一种结合全局 SfM 方法的新型单目 SLAM 方法，使用新颖的秩 1 矩阵分解技术解决了视觉里程计问题，并采用多阶段线性公式和 L1 优化进行姿势图优化，生成了更为稳健的重建结果，比最新的 SLAM 系统快 4 倍，并在 Vicon 运动捕捉房间记录的新数据集上与之前的系统和已有基准数据集进行了比较。

Aug, 2017

利用神经多分辨率体素构建的新型稠密同时定位与建图流水线 —NeuV-SLAM，具备超快的收敛速度和增量式扩展能力。通过 RGBD 图像作为输入，构建多分辨率的神经体素来实现快速收敛，同时保持稳健的场景重建和相机跟踪。其中，神经签名距离场（SDF）体素的隐式表示 VDF 是核心，结合了神经 SDF 体素的实现和 SDF 激活策略。该方法通过直接优化体素中的色彩特征和 SDF 值，显著提高了场景收敛速度。为了确保获得清晰的边缘描述，设计了 SDF 激活，即使在体素分辨率受限的情况下，仍能保持出色的场景表示保真度。此外，为了实现快速的增量式扩展和低计算开销，还开发了一种基于哈希的多分辨率体素管理结构 hashMV。该架构与精心设计的体素生成技术和二维场景先验相结合。在 Replica 和 ScanNet 数据集上的实证评估结果验证了 NeuV-SLAM 在收敛速度、跟踪精度、场景重建和渲染质量方面的卓越效能。

Feb, 2024

该论文提出了一种新颖的深度 SLAM 网络，将图像因素和投影因素通过多因素数据关联模块整合到端到端可微的结构中，动态学习和调整视觉因素的置信度图，实验证实该方法在多个公共数据集上显著优于现有方法，包括 TartanAir、EuRoC 和 ETH3D-SLAM。

Sep, 2023

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