MIPS-Fusion：基于多隐式子图的可扩展鲁棒在线神经 RGB-D 重建
计算机视觉与模式识别
2023-08-25 v2 图形学
摘要
我们提出 MIPS-Fusion，一种基于新颖神经隐式表示——多隐式子图（multi-implicit-submap）的鲁棒且可扩展的在线 RGB-D 重建方法。不同于现有神经 RGB-D 重建方法或因单一神经地图而缺乏灵活性，或因额外存储特征网格而缺乏可扩展性，我们提出一种纯神经表示，以分而治之的设计同时应对这两类困难。在我们的方法中，神经子图沿扫描轨迹增量式分配，并通过局部神经束调整高效学习。这些子图可在后端优化中单独精化，并联合优化以实现子图级闭环。同时，我们提出一种结合随机化与基于梯度的位姿优化的混合跟踪方法。借助对学习过程的若干关键设计，随机化优化首次在神经跟踪中成为可能，即使在快速相机运动下也能实现高效且鲁棒的跟踪。大量评估表明，我们的方法在大规模场景及快速相机运动下均取得了优于现有最优方法的重建质量。
引用
@article{arxiv.2308.08741,
title = {MIPS-Fusion: Multi-Implicit-Submaps for Scalable and Robust Online Neural RGB-D Reconstruction},
author = {Yijie Tang and Jiazhao Zhang and Zhinan Yu and He Wang and Kai Xu},
journal= {arXiv preprint arXiv:2308.08741},
year = {2023}
}