LRSLAM：密集视觉 SLAM 系统中基于低秩表示的有符号距离场
计算机视觉与模式识别
2025-06-13 v1
摘要
同步定位与建图 (SLAM) 在自动驾驶、移动机器人和混合现实等各个领域都至关重要。密集视觉 SLAM 利用 RGB-D 相机系统提供了优势，但在实现实时性能、鲁棒性和大规模场景的可扩展性方面面临挑战。利用神经隐式场景表示的近期方法展现出前景，但存在高计算成本和内存需求。ESLAM 引入了基于平面的张量分解，但仍面临内存增长问题。为应对这些挑战，我们提出了一种更高效的视觉 SLAM 模型 LRSLAM，利用低秩张量分解方法。我们的方法利用六轴分解和 CP 分解，在收敛速率、内存效率和重建/定位质量方面优于现有最先进方法。在多样化室内 RGB-D 数据集上的评估表明，LRSLAM 在参数效率、处理时间和准确性方面具有优越性能，同时保持了重建和定位质量。我们的代码将在发布时公开。
引用
@article{arxiv.2506.10567,
title = {LRSLAM: Low-rank Representation of Signed Distance Fields in Dense Visual SLAM System},
author = {Hongbeen Park and Minjeong Park and Giljoo Nam and Jinkyu Kim},
journal= {arXiv preprint arXiv:2506.10567},
year = {2025}
}
备注
Accepted at ECCV 2024