PLGSLAM:基于本地到全局捆集调整的渐进神经场景表示
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
基于局部 - 全局融合神经隐式表示的实时动态可视化 SLAM 系统 (DVN-SLAM) 能够提高场景表示能力、处理渲染过程中的不确定性,并在多个数据集上实现了竞争性的定位和映射性能,在动态场景中表现出鲁棒性,这是与其他基于 NeRF 的方法不同之处。
Mar, 2024
本文介绍了一个名为 NICE-SLAM 的密集 SLAM 系统,它通过引入分层场景表示来结合多层次的局部信息,并通过预训练的几何先验来优化该表示,从而在大型室内场景中实现了细节重建。与最近的神经隐式 SLAM 系统相比,我们的方法更具可扩展性、高效性和鲁棒性。
Dec, 2021
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
本文介绍了一种名为 GS-SLAM 的算法,它在同时定位与地图构建(SLAM)系统中首次使用了 3D 高斯表示方法,实现了效率和准确性之间的更好平衡。与使用神经隐式表示的最新 SLAM 方法相比,我们的方法采用了实时可微分雀斑光照渲染流水线,大大加速了地图优化和 RGB-D 重渲染。具体而言,我们提出了一种自适应扩张策略,通过添加新的或删除噪音 3D 高斯来有效重构新观测到的场景几何并改善先前观测区域的建图。这种策略对于将 3D 高斯表示扩展到重建整个场景而不是在现有方法中合成静态物体至关重要。此外,在位姿跟踪过程中,设计了一种有效的从粗到细的技术,以选择可靠的 3D 高斯表示来优化相机姿态,从而减少运行时间并实现强健的估计。我们的方法在 Replica 和 TUM-RGBD 数据集上与现有的最新实时方法具有竞争力的性能。源代码将在获批后发布。
Nov, 2023
我们提出了一种增量联合学习框架,通过采用基于视觉变换器的网络作为主干来实现准确的深度、姿态估计和大规模场景重建,并构建了增量场景表示方法以增强三维场景表示的可伸缩性。
Apr, 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
本文提出了一种基于加速采样和哈希编码的框架 BAA-NGP,它能够加快位姿估计、场景重建和新视角合成的处理速度,并在不降低位姿估计质量的情况下,比其他基于束调整的神经辐射场方法提高了十倍至二十倍的速度。
Jun, 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