我们引入了一种新颖的单目视觉里程计（VO）系统 NeRF-VO，它整合了基于学习的稀疏视觉里程计用于低延迟相机跟踪和神经辐射场景表示用于复杂的密集重建和新视角合成。我们的系统使用稀疏视觉里程计初始化相机位姿，并从单目深度预测网络获取视角相关的密集几何先验。我们将位姿和密集几何的尺度统一起来，将它们视为监督信号来训练神经隐式场景表示。NeRF-VO 通过联合优化关键帧位姿和底层密集几何，在边缘项渲染的过程中训练辐射场，展现了出色的场景表示的光度和几何保真度，在各种合成和真实世界的数据集上超过了最先进的方法，在姿态估计准确性、新视角合成保真度和密集重建质量方面都取得了更好的性能，并且在相机跟踪频率更高和 GPU 内存消耗更少的情况下。

Dec, 2023

我们提出了 SLAIM - 同时定位和隐式建图。我们在神经光度场 SLAM（NeRF-SLAM）中提出了一种新颖的粗到细的跟踪模型，以实现最先进的跟踪性能。通过在 NeRF 之上实施高斯金字塔滤波器来解决 NeRF 系统在有限的输入视图情况下收敛到正确几何形状的挑战。我们的方法实现了局部和全局束调整，以产生强大（粗到细）和准确（KL 正则化器）的 SLAM 解决方案。在多个数据集（ScanNet，TUM，Replica）上进行实验证明在跟踪和重建准确性方面达到了最先进的结果。

Apr, 2024

基于神经场的实时单目建图框架与密集 SLAM 相结合，利用多分辨率网格编码和有符号距离函数表征进行神经场的高效构建，并通过环路闭合和深度先验进行全局一致性和精度增强，从而优于现有方法，在保持实时性能的同时提高了准确度和地图完整性。

Oct, 2023

通过使用神经辐射场 (NeRF) 和密集 RGB-D SLAM 系统，我们提出了 NeSLAM 框架，能够进行准确的深度估计、鲁棒的相机跟踪和逼真的新视图合成，从而解决了由消费级 RGB-D 传感器获取的稀疏且嘈杂的深度图带来的重建和几何场景表达不准确的挑战，并在各种室内数据集上验证了系统在重建、跟踪和新视图合成方面的有效性和准确性。

Mar, 2024

基于四次曲面平面重新构建体积表示，提高了单目 SLAM 中 3D 场景的重建精度和效率，并引入四次曲面分解的 Transformer 来聚合采样点，同时优化姿态估计与 3D 重建。

Mar, 2024

本研究提出了一种基于神经场的大规模重建系统，它利用激光雷达和视觉数据生成几何精确且具有照片级真实纹理的高质量重建，同时使用激光雷达 SLAM 系统提供深度和表面法线的强几何约束来改进传统的神经辐射场表示方法。

Mar, 2024

基于新颖的具备高一致性和几何稳定性的不确定性感知的 3D 高斯场，这篇论文提出了一种有效的 RGB-D SLAM 系统，CG-SLAM，在跟踪和地图制作方面实现了卓越的性能。

Mar, 2024

MoD-SLAM 是一种基于神经网络的单目稠密建图方法，通过使用单目深度估计来优化场景重建，并利用闭环检测来更新相机姿态，实现实时在无边界场景中进行全局姿态优化和三维重建。与以往神经网络建图方法相比，我们的方法更加稳健、可扩展和多功能，在大型无边界场景中表现出更卓越的建图性能。

Feb, 2024

本文介绍了 Photo-SLAM，一种具有超级基元地图的创新 SLAM 框架，通过同时利用显式几何特征进行定位和学习隐式光度特征来表示观察环境的纹理信息，以及采用高斯金字塔训练方法逐步学习多级特征以增强逼真的映射性能。实验证明，与当前最先进的 SLAM 系统相比，我们提出的 Photo-SLAM 在线逼真映射的性能显著优于其他系统，如 Replica 数据集中的 PSNR 提高了 30％，渲染速度快了数百倍。此外，Photo-SLAM 可以在像 Jetson AGX Orin 这样的嵌入式平台上实时运行，展示了机器人应用的潜力。

Nov, 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