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

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

MoD-SLAM 是一种基于神经网络的单目稠密建图方法，通过使用单目深度估计来优化场景重建，并利用闭环检测来更新相机姿态，实现实时在无边界场景中进行全局姿态优化和三维重建。与以往神经网络建图方法相比，我们的方法更加稳健、可扩展和多功能，在大型无边界场景中表现出更卓越的建图性能。

Feb, 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

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

基于局部 - 全局融合神经隐式表示的实时动态可视化 SLAM 系统 (DVN-SLAM) 能够提高场景表示能力、处理渲染过程中的不确定性，并在多个数据集上实现了竞争性的定位和映射性能，在动态场景中表现出鲁棒性，这是与其他基于 NeRF 的方法不同之处。

Mar, 2024

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

本文提出了一种基于密集神经算法的同步定位与建图方法，使用深度学习生成的点云来锚定神经场景的特征，通过最小化基于 RGBD 的重新渲染损失，实现对跟踪和地图绘制的同时处理，通过在信息密度低的区域减少运行时间和内存使用，并将更高的点密度分配给解决更细节问题。在 Replica，TUM-RGBD 和 ScanNet 数据集上相对于现有的神经 RGBD SLAM 方法获得了更好或相似的跟踪，地图和渲染准确性。

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

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