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

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

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

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

本研究提出了一种时间变化的表示方法，用于跟踪和重建动态场景，并使用动态选择策略的神经辐射场结合同时定位和建图框架，实现了更有效的动态建图方法。

Oct, 2023

我们提出了一种自我监督的多摄像机占用预测 OccNeRF 方法，用于三维占用预测任务和语义占用预测任务。

Dec, 2023

本论文提出了一种基于视角图进行神经元无关表示的方法，使用语义感知的神经辐射场和卷积编码器共同地学习三维感知神经元隐式表示，在强化学习中实现语义感知的表征。

Jan, 2023

SfMNeRF 提出了一种基于神经辐射场的方法，结合自监督深度估计方法对样本进行重构，同时利用极线和光度一致性等约束构建 3D 场景几何图像，提高了神经辐射场的表现，实现了更好地合成新视角。

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

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