野外 NeRF 与高斯溅射 SLAM

使用视觉同步定位与制图 (SLAM) 系统导航户外环境面临诸多挑战，包括 dynamic 场景、光照变化和季节性变化，需要 robust 解决方案。虽然传统 SLAM 方法在适应性方面困难，但基于深度学习的方法以及新兴的神经辐率场和高斯溅射-based SLAM 方法，提供了有前景的替代方案。然而，这些方法主要在受控室内环境中评估，留下了在非结构化和变化的户外环境中性能的理解之间的鸿沟。本研究通过在自然户外环境中评估这些方法，关注相机 tracking 精度、对环境因素的鲁棒性以及计算效率，突出不同权衡。广泛的评估表明，神经 SLAM 方法在鲁棒性方面优越，特别是在 low light 等具有挑战的条件下，但代价是高的计算成本。与此同时，传统方法在季节性方面表现最佳，但对光照条件变化极其敏感。该基准的 code 在 github.com/iis-esslingen/nerf-3dgs-benchmark 上公开可用。