基于事件相机的神经隐式编码 SLAM 方法——EvenNICER-SLAM
计算机视觉与模式识别
2024-10-08 v1
摘要
稠密视觉同步定位与地图构建（SLAM）的发展，得益于神经隐式表示的出现，取得了显著进展。神经隐式编码 SLAM（如 NICE-SLAM）近期在大型室内场景中展现出有前景的性能。然而，这些方法通常依赖高帧率的 RGB-D 图像流才能正常工作。当输入源不支持高帧率或相机运动过快时，这些方法常常会出现跟踪和地图精度严重下降甚至崩溃。本文提出了 EvenNICER-SLAM 方法，通过引入事件相机来解决上述问题。事件相机是一种受生物启发的相机，响应强度变化而非绝对亮度。具体而言，我们将事件损失反向传播流集成到 NICE-SLAM 流程中，以增强来自不足的 RGB-D 输入的相机跟踪。我们通过定量评估发现，EvenNICER-SLAM 在包含更高频率事件图像输入的情况下，显著优于降低 RGB-D 输入频率的 NICE-SLAM。我们的结果表明，事件相机有潜力提高稠密 SLAM 系统在实际场景中应对快速相机运动的鲁棒性。
引用
@article{arxiv.2410.03812,
title = {EvenNICER-SLAM: Event-based Neural Implicit Encoding SLAM},
author = {Shi Chen and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:2410.03812},
year = {2024}
}