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

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

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

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

通过深度视觉特征、双关键帧选择和 3D 高斯喷洒，本文提出了一种基于三维高斯喷洒的 SLAM 方法。该方法通过特征提取和运动滤波在每一帧上实现了选择性跟踪，通过整个映射过程进行姿态和三维高斯的联合优化。此外，通过双关键特征选择和新颖的损失函数实现了粗糙到精细的姿态估计和紧凑的高斯场景表示。实验结果表明，该算法不仅在跟踪和建图方面优于现有方法，而且内存使用更少。

May, 2024

基于四次曲面平面重新构建体积表示，提高了单目 SLAM 中 3D 场景的重建精度和效率，并引入四次曲面分解的 Transformer 来聚合采样点，同时优化姿态估计与 3D 重建。

Mar, 2024