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

使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

Nov, 2018

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

DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

Dec, 2022

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

本文提出了一种基于两个深度卷积神经网络的点追踪系统，MagicPoint 网络能够从单张图像中提取显著的 2D 点，并针对图像噪声设计了 MagicWarp 网络用于点位置的变换估计，两个网络均使用简单的合成数据训练，使系统速度快且高效。

Jul, 2017

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

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

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

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