DDN-SLAM：实时稠密动态神经隐式SLAM

基于NeRF的SLAM系统在静态环境下的渲染质量和场景重建方面表现出优于传统稠密SLAM的性能。然而，在具有动态干扰的真实场景中，它们会遇到跟踪漂移和建图误差。为了解决这些问题，我们引入了DDN-SLAM，这是首个集成语义特征的实时稠密动态神经隐式SLAM系统。为了解决动态跟踪干扰，我们提出了一种结合语义特征与混合高斯分布模型的特征点分割方法。为了避免错误的背景去除，我们提出了一种基于稀疏点云采样和背景恢复的建图策略。我们提出了一种动态语义损失来消除动态遮挡。实验结果表明，DDN-SLAM能够在动态环境中鲁棒地跟踪并生成高质量的重建，同时适当保留潜在动态物体。与现有的神经隐式SLAM系统相比，在动态数据集上的跟踪结果表明，平均轨迹误差（ATE）精度平均提高了90%。