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

引入了一种高保真的神经隐式密集视觉同时定位与建图（SLAM）系统，名为 DF-SLAM。我们利用字典因子对场景进行表示，将场景的几何和外观信息编码为基础和系数因子的组合。与直接将场景信息编码为特征的神经隐式 SLAM 方法相比，我们的方法具有更优秀的场景细节重建能力和更高效的内存使用，同时我们的模型大小对场景地图的大小不敏感，使得我们的方法更适用于大规模场景。此外，我们采用特征集成渲染来加速颜色渲染速度并确保颜色渲染质量，进一步增强了我们的神经 SLAM 方法的实时性能。对合成和真实数据集进行的大量实验证明，我们的方法在实时性能、定位精度和场景重建质量方面与现有最先进的神经隐式 SLAM 方法具有竞争力。我们的源代码可以在此 https URL 获取。

Apr, 2024

通过在稀疏视觉 SLAM 系统的位姿图上锚定轻量级神经场，我们提出了一种神经映射框架，能够集成大规模闭环，并在优化过程中考虑多个闭环，验证了方法的可扩展性和高质量。

May, 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

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

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

通过利用多层感知器作为场景表示，我们展示了在手持 RGB-D 相机的实时 SLAM 系统中，可以实现一个网络的训练来建立一个密集的、场景特定的隐式 3D 模型，该模型由颜色和占用情况构成，该模型可用于即时跟踪。

Mar, 2021

vMAP 采用神经场表示法实现目标级别的稠密 SLAM 系统。每个目标都由小型 MLP 表示，实现高效和完整的建模，无需 3D 先验知识。通过 RGB-D 相机，vMAP 可以在不需要先验信息的情况下实时检测对象实例并将其动态添加到地图中。该系统可以在单个场景中优化多达 50 个独立的目标，并实现高效的训练速度，更新频率达到 5 Hz。与先前的神经场 SLAM 系统相比，实验证明了显著改善的场景级别和目标级别重构质量。

Feb, 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

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