Nov, 2023

隐式事件 - RGBD 神经 SLAM

PDF
TL;DR提出了 $ extbf {EN-SLAM}$，这是第一个基于事件 - RGBD 的隐式神经 SLAM 框架，通过利用事件数据的高速率和高动态范围的优势进行跟踪和建图，并且通过可微分的 CRF 渲染技术生成独特的 RGB 和事件相机数据，通过学习统一的隐式表示进行优化，并提出了基于事件的时域聚合优化策略来提高跟踪准确性和鲁棒性。实验证明该方法在各种具有挑战性环境中超越了 SOTA 方法，在跟踪 ATE 和建图 ACC 方面具有实时 17 FPS 的性能。
implicit neural slamen-slamevent-rgbddifferentiable crf renderingtemporal aggregating optimization
发现论文，激发创造
  • 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

  • NID-SLAM：基于神经隐式表示的动态环境下的 RGB-D SLAM

    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

  • 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

  • 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

  • 基于事件相机的自适应时域方法用于四足机器人动态运动跟踪的视觉里程计

    本文提出了一种直接使用事件和 RGB-D 数据相结合的稀疏视觉里程法，用于估计活泼的四足机器人在动态运动和杂技行为中的姿态。

    May, 2023

  • HI-SLAM：单目实时稠密建图与混合隐式场

    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

  • 事件驱动的同时定位与建图：综述

    本文综述了基于事件相机的 vSLAM 算法，介绍了事件相机及其预处理的事件数据的各种事件表示方法，并将基于事件相机的 vSLAM 方法分为四类，包括基于特征的、基于直接法的、基于运动补偿的和深度学习的方法，并对每种方法进行了详细的讨论和实用指导。此外，该文对各类方法在不同基准测试中的表现进行了评估，突出了当前这一新兴研究领域面临的挑战和未来的机遇。

    Apr, 2023

  • NeSLAM：神经隐式映射与自监督特征跟踪（配以深度补全和去噪）

    通过使用神经辐射场 (NeRF) 和密集 RGB-D SLAM 系统，我们提出了 NeSLAM 框架，能够进行准确的深度估计、鲁棒的相机跟踪和逼真的新视图合成，从而解决了由消费级 RGB-D 传感器获取的稀疏且嘈杂的深度图带来的重建和几何场景表达不准确的挑战，并在各种室内数据集上验证了系统在重建、跟踪和新视图合成方面的有效性和准确性。

    Mar, 2024

  • 面向鲁棒的事件引导低光图像增强：一个大规模真实世界事件图像数据集和新方法

    利用机械臂轨迹追踪技术，构建了一个室内外真实场景的大规模事件图像数据集，提出了一种基于事件引导的适用于真实低光场景的图像增强方法 EvLight，通过多尺度整体融合分支和信噪比引导的区域特征选择策略，显著超越了基于帧的方法。

    Apr, 2024

  • 利用事件相机观测夜间运动

    我们提出了一种针对夜间动态场景的新方法，利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察，构建了一个夜间事件重建网络，包括学习能力的事件时间戳校准模块以对齐时间尾随事件，和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集，我们的方法在视觉质量和泛化能力上都优于现有方法。

    Apr, 2024