NeSLAM：基于深度完成与去噪的神经隐式映射与自监督特征跟踪
计算机视觉与模式识别
2025-12-23 v1 机器人学
摘要
近年来, 3D重建和稠密RGB-D SLAM系统取得了显著进展.其中一种值得注意的发展是将神经光栅场(NeRF)应用于这些系统, 该系统利用隐式神经表示对3D场景进行编码.将NeRF扩展到SLAM显示出有前景的结果.然而, 来自消费级RGB-D传感器获取的深度图像往往稀疏且噪声较大, 这对3D重建和影响场景几何表示的准确性构成重大挑战.此外, 原始的分层特征网格与占用值不够准确, 用于场景几何表示.此外, 现有方法为相机跟踪选择随机像素, 这导致定位不准且在真实室内环境中不够稳健.为此, 我们提出NeSLAM, 一个高级框架, 实现准确的稠密深度估计, 稳健的相机跟踪, 以及新视角的真实合成.首先, 设计深度完成和去噪网络以提供稠密几何先验并指导神经隐式表示优化.其次, 用符号距离场(SDF)分层场景表示取代占用场景表示, 以实现高质量的重建和视图合成.此外, 我们还提出一种基于NeRF的自监督特征跟踪算法, 实现稳健的实时跟踪.在各种室内数据集上的实验表明, 该系统在重建、跟踪质量和新视角合成方面具有有效性和准确性.
关键词
引用
@article{arxiv.2403.20034,
title = {NeSLAM: Neural Implicit Mapping and Self-Supervised Feature Tracking With Depth Completion and Denoising},
author = {Tianchen Deng and Yanbo Wang and Hongle Xie and Hesheng Wang and Jingchuan Wang and Danwei Wang and Weidong Chen},
journal= {arXiv preprint arXiv:2403.20034},
year = {2025}
}