Nov, 2023

CP-SLAM：协作神经点云 SLAM 系统

PDF
TL;DR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。
collaborative implicit neural slamrgb-d image sequencesneural point based 3d scene representationdistributed-to-centralized learning strategyglobal optimization framework
发现论文，激发创造
  • Point-SLAM：基于密集神经点云的 SLAM

    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

  • 神经隐式稠密语义 SLAM

    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

  • GlORIE-SLAM：全局优化的基于 RGB 的隐式编码点云 SLAM

    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

  • Photo-SLAM: 单目、双目和 RGB-D 相机的实时同时定位和逼真地图建模

    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

  • PIN-SLAM：使用基于点的隐式神经表达实现全局地图一致性的 LiDAR SLAM

    基于弹性和紧凑的基于点的隐式神经地图表示的 PIN-SLAM 系统提出了一种用于构建全局一致地图的 SLAM 系统。通过对局部隐式有符号距离场的增量学习和给定当前局部地图的位姿估计之间的交替进行，我们的方法使用无对应关系的点到隐式模型配准来进行。我们的隐式地图基于稀疏可优化的神经点，当闭环时，它们具有与全局位姿调整相对应的弹性和可变形性。通过神经点特征进行闭环检测。大量实验证实，PIN-SLAM 对各种环境均具有鲁棒性，并且适用于 LiDAR 和 RGB-D 相机等不同的范围传感器。在保持更一致、更紧凑的隐式地图的同时，PIN-SLAM 实现了与最先进的 LiDAR 路程计或 SLAM 系统相媲美或更好的位姿估计精度，并且优于最近的神经隐式 SLAM 方法，可以重构为准确和完整的网格。最后，由于用于高效神经点索引的体素哈希和无需最近点关联的快速隐式地图配准，PIN-SLAM 可以在中等 GPU 上以传感器帧速率运行。

    Jan, 2024

  • Co-SLAM: 神经实时 SLAM 的联合坐标和稀疏参数编码

    Co-SLAM 是一种基于混合表示的神经 RGB-D SLAM 系统，它使用多分辨率哈希网格来表示场景，并具有鲁棒的相机跟踪和高保真度的表面重建，支持实时性能。

    Apr, 2023

  • DNS SLAM: 密集神经语义感知 SLAM

    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

  • 循环神经 SLAM：具有闭环的稠密神经 SLAM

    使用全局优化的方式，Loopy-SLAM 将神经 RGBD SLAM 方法应用于密集的同时定位与建图任务中，解决了摄像机跟踪过程中的误差累积和地图扭曲的问题。

    Feb, 2024

  • 神经隐式地图的稠密 RGB SLAM

    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

  • DDN-SLAM：实时稠密动态神经隐式 SLAM 与联合语义编码

    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