ACE-SLAM：基于场景坐标回归的神经隐式实时 SLAM
计算机视觉与模式识别
2025-12-17 v1 人工智能
图像与视频处理
摘要
我们提出了一种新型神经 RGB-D 同时定位与地图 (SLAM) 系统，能够实时学习场景的隐式地图。首次我们探索了将场景坐标回归 (SCR) 作为神经 SLAM 流程中的核心隐式地图表示方法，这种方法通过训练一个轻量级网络，直接将 2D 图像特征映射到 3D 全局坐标。SCR 网络提供高效、低内存的 3D 地图表示，使快速重定位成为可能，并且本质上保留了隐私，特别适用于神经隐式 SLAM。我们的系统是首个在神经隐式 RGB-D SLAM 中实现严格实时性能的系统，依赖基于 SCR 的表示。我们针对此目的引入了专为该用途量身定制的 SCR 架构，并详细阐述了将 SCR 集成到实时 SLAM 流程中所必需的关键设计选择。所得框架简洁而灵活，无缝支持稀疏和稠密特征，在无需特殊适应的情况下可在动态环境中可靠运行。我们在既定的合成和真实世界基准上进行评估，表明 our approach 在与最新方法的竞争中表现优异。项目页面：https://github.com/ialzugaray/ace-slam
引用
@article{arxiv.2512.14032,
title = {ACE-SLAM: Scene Coordinate Regression for Neural Implicit Real-Time SLAM},
author = {Ignacio Alzugaray and Marwan Taher and Andrew J. Davison},
journal= {arXiv preprint arXiv:2512.14032},
year = {2025}
}
备注
Project Page: https://github.com/ialzugaray/ace-slam