DVN-SLAM:基于局部 - 全局编码的动态视觉神经 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
DDN-SLAM 是一个实时的密集神经隐式语义 SLAM 系统,旨在解决动态场景下的跟踪和建图挑战,通过利用深度语义系统提供的先验知识、结合条件概率场进行分割,并采用深度引导静态遮罩和联合多分辨率哈希编码以提高建图质量。同时采用稀疏特征点和光流验证的方法增强跟踪鲁棒性,实现闭环检测和全局束优化。实验证明,在动态和静态场景中,DDN-SLAM 方法优于当前最先进方法。
Jan, 2024
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
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
引入了一种高保真的神经隐式密集视觉同时定位与建图(SLAM)系统,名为 DF-SLAM。我们利用字典因子对场景进行表示,将场景的几何和外观信息编码为基础和系数因子的组合。与直接将场景信息编码为特征的神经隐式 SLAM 方法相比,我们的方法具有更优秀的场景细节重建能力和更高效的内存使用,同时我们的模型大小对场景地图的大小不敏感,使得我们的方法更适用于大规模场景。此外,我们采用特征集成渲染来加速颜色渲染速度并确保颜色渲染质量,进一步增强了我们的神经 SLAM 方法的实时性能。对合成和真实数据集进行的大量实验证明,我们的方法在实时性能、定位精度和场景重建质量方面与现有最先进的神经隐式 SLAM 方法具有竞争力。我们的源代码可以在此 https URL 获取。
Apr, 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
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
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
利用神经多分辨率体素构建的新型稠密同时定位与建图流水线 —NeuV-SLAM,具备超快的收敛速度和增量式扩展能力。通过 RGBD 图像作为输入,构建多分辨率的神经体素来实现快速收敛,同时保持稳健的场景重建和相机跟踪。其中,神经签名距离场(SDF)体素的隐式表示 VDF 是核心,结合了神经 SDF 体素的实现和 SDF 激活策略。该方法通过直接优化体素中的色彩特征和 SDF 值,显著提高了场景收敛速度。为了确保获得清晰的边缘描述,设计了 SDF 激活,即使在体素分辨率受限的情况下,仍能保持出色的场景表示保真度。此外,为了实现快速的增量式扩展和低计算开销,还开发了一种基于哈希的多分辨率体素管理结构 hashMV。该架构与精心设计的体素生成技术和二维场景先验相结合。在 Replica 和 ScanNet 数据集上的实证评估结果验证了 NeuV-SLAM 在收敛速度、跟踪精度、场景重建和渲染质量方面的卓越效能。
Feb, 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