本文介绍了一种新的紧密耦合的视觉惯性同时定位和建图系统，采用惯性测量单元进行初始测量，实现了零漂移定位，带有地图重用功能，并应用于单目相机的最一般问题。在微型飞行器公共数据集的 11 个序列中测试了该系统，证明了其比目前最先进的视觉惯性测量方法更为准确。

Oct, 2016

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

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

该论文提出了一种结合全局 SfM 方法的新型单目 SLAM 方法，使用新颖的秩 1 矩阵分解技术解决了视觉里程计问题，并采用多阶段线性公式和 L1 优化进行姿势图优化，生成了更为稳健的重建结果，比最新的 SLAM 系统快 4 倍，并在 Vicon 运动捕捉房间记录的新数据集上与之前的系统和已有基准数据集进行了比较。

Aug, 2017

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

本文提出了基于关键帧的视觉惯性同步定位与地图构建（SLAM）方法，通过在线环路闭合和非线性优化方法，使得我们的系统在单目和立体相机上具有实时、准确和鲁棒的位姿估计能力，支持先前建立地图的重定位和持续的 SLAM 操作，并在室内和户外公开数据集上展示了我们方法高精度、高效的性能。

Feb, 2017

介绍了一种使用语义特征的视觉惯性里程计系统 SemanticSLAM，可以在室内环境中进行可靠的相机定位，改善位姿估计并生成语义地图，可用于路径规划、避障和机器人导航等下游任务。

Jan, 2024

本文提出了一种新的去中心化视觉 SLAM 系统，以数据关联和共同优化为基础，采用只需要传输少量数据的方式来执行去中心化操作，具有线性扩展性和高度压缩的地点表示，并使用先进的去中心化姿态图优化方法。

Oct, 2017

本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器，将普通物体表示为四面体，进一步细化物体重建，检测附加平面标志并建模为独立地标志，可大幅提高系统的定位性能和语义地图的丰富程度。

Sep, 2018

本文介绍了 MG-SLAM，一种单目高斯 SLAM 系统，其特点是具有语义扩展的环路闭合模块，能够在进行漂移校正的同时实现高保真度的重建和对环境的高层次理解。该系统通过将全局地图表示为 3D 高斯，并将其用于指导场景几何估计，从而减轻缺失深度信息的工作量。此外，基于 CLIP 特征的语义扩展环路闭合模块可以持续进行全局优化，以纠正系统运行期间累积的漂移错误。我们的系统在多个具有挑战性的数据集上取得了令人期待的跟踪和建图结果，甚至超过了一些现有的 RGB-D 方法。

May, 2024