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

介绍了 Vox-Fusion++，一个利用神经隐式表示和传统体积融合技术进行多地图鲁棒稠密跟踪和建图的系统，并应用于实际场景，通过综合评估表明在重建质量和准确性方面优于以往方法，可用于增强现实和协作建图应用。

Mar, 2024

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机器学习的实时深度图融合方法，使用 2D 深度路由网络和 3D 深度融合网络来预测非线性更新，处理传感器特定噪声和异常值，能更好地避免传统方法中的粗化伪影问题，在合成数据和真实数据中均取得了优于传统方法和相关方法的结果。

Jan, 2020

提出了一种名为 NID-SLAM 的方法，通过增强语义掩膜中的不准确区域和选择关键帧来提高神经 SLAM 在动态环境中的性能。在动态环境中，该方法通过准确删除动态物体来降低相机漂移的概率，从而在跟踪准确性和建图质量方面优于其他竞争性神经 SLAM 方法。

Jan, 2024

提出了一种用于未知场景的神经分块可伸缩 RGB-D SLAM 方法 NeB-SLAM，通过将整个未知场景表示为一组固定大小的神经分块子图，并采用自适应的地图增长策略在摄像机跟踪过程中逐渐覆盖整个未知场景，对各种数据集进行广泛评估，证明了该方法在未知环境的建图和跟踪方面具有竞争力。

May, 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

本文提出了一种名为 Vox-Fusion 的密集跟踪和建图系统，其将神经隐式表示与传统体积融合方法无缝融合。该方法通过采用基于体素的神经隐式表面表示来编码和优化每个体素内部的场景，并采用基于八叉树的结构来划分场景和支持动态扩展，进而实现对任意场景的跟踪和建图。此外，我们提出了一个高性能的多进程框架来加速该方法，从而支持某些需要实时性能的应用。评估结果表明，我们的方法可以实现比先前方法更好的准确性和完整性。我们还展示了我们的 Vox-Fusion 可用于增强现实和虚拟现实应用。

Oct, 2022

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