This paper presents an efficient online framework to solve the well-known
semantic visual simultaneous localization and mapping (V-SLAM) problem for
indoor scenes leveraging the advantages of neural implicit scene
representation. Existing methods on similar lines, such as NICE-SLAM, ha
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。
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。