Co-SLAM: 神经实时 SLAM 的联合坐标和稀疏参数编码
本文介绍了一种利用 RGB-D 图像序列进行协作式隐式神经同步定位与地图生成(SLAM)系统,该系统包括完整的前端和后端模块,包括里程计、回环检测、子图融合和全局优化。为了在一个统一的框架中实现所有这些模块,我们提出了一种新颖的基于神经元的三维场景表示方法,其中每个点维护一个可学习的神经元特征用于场景编码,并与某个关键帧相关联。此外,我们提出了一种分布式至集中式学习策略,用于改进协作式隐式 SLAM 的一致性和合作性。还提出了一种新颖的全局优化框架,以提高系统精度,类似于传统的束调整。在各种数据集上的实验证明了该方法在相机跟踪和地图生成方面的优越性。
Nov, 2023
DDN-SLAM 是一个实时的密集神经隐式语义 SLAM 系统,旨在解决动态场景下的跟踪和建图挑战,通过利用深度语义系统提供的先验知识、结合条件概率场进行分割,并采用深度引导静态遮罩和联合多分辨率哈希编码以提高建图质量。同时采用稀疏特征点和光流验证的方法增强跟踪鲁棒性,实现闭环检测和全局束优化。实验证明,在动态和静态场景中,DDN-SLAM 方法优于当前最先进方法。
Jan, 2024
通过融合 2D 语义先验和多视角几何约束,DNS SLAM 方法提出了一种新型的神经 RGB-D 语义 SLAM 方法,可以在保持稳定相机跟踪的同时,训练类别级别的场景表示,实现颜色、密度和语义类别信息的输出,并在合成数据和实际数据跟踪中取得了最先进的性能,同时在现有硬件上保持了良好的实时跟踪速度,并输出了带有更好的纹理和几何细节的分解重建结果。
Nov, 2023
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
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
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
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
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
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
通过稀疏的三平面编码和分层捆绑调整,我们提出了一种能够在高分辨率上实现快速而高质量跟踪和建图的方法,该方法仅使用了常用三平面参数的 2~4% 的存储空间。
Apr, 2024