以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# NICER-SLAM: Neural Implicit Scene Encoding for RGB SLAM

論文地址：https://arxiv.org/abs/2302.03594

作者單位：蘇黎世聯(lián)邦理工學院

? ? 神經(jīng)隱式表示近年來在SLAM中，特別是在稠密視覺SLAM中，成為一種流行的表示方法。然而，此前在這一方向上的工作要么依賴于RGB-D傳感器，要么需要單獨的單目SLAM方法進行相機跟蹤，并且不能產(chǎn)生高精度、高密度3D場景重建。在本文中，我們提出了NICER-SLAM，這是一個稠密的RGB SLAM系統(tǒng)，同時優(yōu)化相機位姿和分層神經(jīng)隱式地圖表示，這也允許高質量的新視圖合成。

? ? 為了促進建圖的優(yōu)化過程，我們集成了額外的監(jiān)督，包括易于獲得的單目幾何特征和光流，并引入了簡單的翹曲損失來進一步加強幾何一致性。此外，為了進一步提高復雜室內(nèi)場景的性能，我們還提出了從符號距離函數(shù)(SDFs)到體繪制方程中的密度的局部自適應轉換。在合成和真實數(shù)據(jù)集上，我們在密集映射、跟蹤和新穎的視圖合成方面都表現(xiàn)出了強大的性能，甚至可以與最近的RGB-D SLAM系統(tǒng)競爭。

本文貢獻如下：

1、我們提出了NICER-SLAM，這是第一個稠密的RGB SLAM之一，它可以對跟蹤和建圖進行端到端優(yōu)化，還可以實現(xiàn)高質量的新視圖合成。

2、我們?yōu)镾DF，不同的幾何和運動正則化，以及局部自適應的SDF體積密度轉換引入了層次神經(jīng)隱式編碼。

3、我們在合成數(shù)據(jù)集和真實數(shù)據(jù)集上展示了強大的建圖、跟蹤和新穎的視圖合成性能，甚至可以與最近的RGBD SLAM方法競爭。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容