Q-SLAM:基于二次曲面表示的单目视觉 SLAM
提出了一种新的基于几何和光学的三维地图制图方法,利用稠密单目 SLAM 和实时分层体积神经辐射场技术,通过提供估计准确的位姿和深度图的相关不确定性,实时适应神经辐射场的场景。通过采用提出的基于不确定性的深度损失,实现了良好光学和几何精度,在实时和单目成像的情况下比竞争方法更精确 (最高提高 179% 的 PSNR 和 86% 的 L1 深度)。
Oct, 2022
通过稀疏的三平面编码和分层捆绑调整,我们提出了一种能够在高分辨率上实现快速而高质量跟踪和建图的方法,该方法仅使用了常用三平面参数的 2~4% 的存储空间。
Apr, 2024
我们提出了 SLAIM - 同时定位和隐式建图。我们在神经光度场 SLAM(NeRF-SLAM)中提出了一种新颖的粗到细的跟踪模型,以实现最先进的跟踪性能。通过在 NeRF 之上实施高斯金字塔滤波器来解决 NeRF 系统在有限的输入视图情况下收敛到正确几何形状的挑战。我们的方法实现了局部和全局束调整,以产生强大(粗到细)和准确(KL 正则化器)的 SLAM 解决方案。在多个数据集(ScanNet,TUM,Replica)上进行实验证明在跟踪和重建准确性方面达到了最先进的结果。
Apr, 2024
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
ESLAM 是一种用于同时定位和建图的高效隐式神经表示方法,它基于多尺度轴对齐法线特征面和浅解码器,使用神经辐射场技术,将连续空间中的特征解码成距离场和 RGB 值,并成功地在三个标准数据集上实现了超过 50% 的 3D 重建和相机定位精度提升,速度提升了 10 倍。
Nov, 2022
该文提出了一种使用二次曲面描述三维场景的方法,以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据,该方法避免了点对点的最近邻搜索过程,具有更高的存储效率和准确性,适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。
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
基于新颖的具备高一致性和几何稳定性的不确定性感知的 3D 高斯场,这篇论文提出了一种有效的 RGB-D SLAM 系统,CG-SLAM,在跟踪和地图制作方面实现了卓越的性能。
Mar, 2024
通过最新的 radiance fields 进展提供首个对 SLAM 进展的综合概述,突出其背景、进化路径、优势和局限性,作为一个基础参考,突显其动态进展和特定挑战。
Feb, 2024
该研究论文利用学习到的紧凑深度图表示和重构三种不同类型的误差,将光度误差,重投影误差和几何误差应用于标准因子图软件中,将不同的方法统一到概率框架中,实现实时性能的同时对现实世界序列的轨迹估计和深度重建进行评估,并呈现了估计的丰富几何示例。
Jan, 2020