本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法，使用隐式表示进行建模。通过浅层多层感知机（MLPs）从隐式特征解码出语义信息和有符号距离值，并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化，最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比，我们的框架在三个真实数据集，SemanticKITTI，SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。

Nov, 2023

基于 LiDAR 扫描序列，我们提出了一种构建动态环境准确地图的新方法，利用四维场景进行稀疏特征格、全局共享解码器和时变基函数的神经表示，用于滤除动态部分并重建准确完整的三维地图。

May, 2024

通过使用 LiDAR 传感器进行 3D 环境感知，本文提出了一种基于神经隐式表示和可优化特征网格的学习方法，通过优化非度量单调隐式场，实现了高质量的密集 3D 建图。

Mar, 2024

研究了一种使用神经隐函数的 RGB-D SLAM 的新方法，在没有深度输入的情况下，引入了分层特征体积以促进隐式地图译码器来实现地图重建，并通过匹配渲染和输入视频帧解决摄像机运动和神经隐式地图问题，进一步提出了一种光度变形损失以更好地约束摄像机姿态和场景几何。实验结果表明，该方法比以前的方法取得了更好的结果，甚至超过了一些最新的 RGB-D SLAM 方法。

Jan, 2023

本文介绍了一种基于神经网络的连续场景表征学习方法，通过经验回放解决连续场景表征学习中遗忘和准确性的平衡问题。实验证明本方法能够连续地学习和表示场景几何特征。

Aug, 2021

本文提出了一种基于深度传感器的主动 3D 映射方法，不仅可以学习从稀疏的深度测量中重建稠密的 3D 占据地图，还可以优化深度测量光线的反应控制，该方法通过一种快速且有效的优化算法实现。实验结果表明，基于稀疏测量学习重建的方法与深度测量光线优化相结合，可以有效提高 3D 地图的精度。

Aug, 2017

本文介绍了一个名为 NICE-SLAM 的密集 SLAM 系统，它通过引入分层场景表示来结合多层次的局部信息，并通过预训练的几何先验来优化该表示，从而在大型室内场景中实现了细节重建。与最近的神经隐式 SLAM 系统相比，我们的方法更具可扩展性、高效性和鲁棒性。

Dec, 2021

DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

Dec, 2022

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

利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

Feb, 2024