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

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

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

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

本文提出一种名为 DS-SLAM 的鲁棒的语义视觉 SLAM 方法，旨在解决动态环境下的 SLAM 问题，通过将语义分割网络与运动一致性检查方法相结合，提高了在动态环境下的本地化精度，同时生成了一个稠密的语义八叉树地图，可用于高级任务中。经过多组测试，DS-SLAM 的绝对轨迹精度比 ORB-SLAM2 提高了一个数量级，是当前高动态环境下最先进的 SLAM 系统之一。

Sep, 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

本文提出了一种基于实时语义 RGB-D SLAM 算法的方法，其能够在动态环境中检测已知和未知的运动物体，并通过仅对关键帧进行语义分割来减少计算成本，并保持静态地图以实现强健的相机跟踪，同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估，最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。

Apr, 2021

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

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