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

引入 MUTE-SLAM，一种实时的神经 RGB-D SLAM 系统，采用多个三平面哈希编码来进行高效的场景表示。MUTE-SLAM 有效地跟踪相机位置并逐步构建可扩展的多地图表示，适用于小型和大型室内环境。该系统动态为新观察到的局部区域分配子地图，实现不需要先验场景信息的无约束建图。与传统的基于网格的方法不同，我们使用三个正交轴对齐平面来进行哈希编码，显著减少哈希冲突和可训练参数数目。这种混合方法不仅加速收敛，还提高了表面重建的保真度。此外，我们的优化策略同时优化了与当前相机视锥体相交的所有子地图，确保全局一致性。在真实世界和合成数据集上进行了广泛测试，表明 MUTE-SLAM 在各种室内环境中提供了最先进的表面重建质量和具有竞争力的跟踪性能。该论文接受后将公开代码。

Mar, 2024

提出了 TriNeRFLet，一种基于二维小波的多尺度 Triplane 表示的新方法，该方法在三维恢复表现上优于传统 Triplane 方法，并结合扩散模型进行超分辨率，提高了 NeRF 的分辨率。

Jan, 2024

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

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

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

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

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