神经图映射：高效闭环集成下的稠密建图
计算机视觉与模式识别
2025-06-26 v2 机器人学
摘要
基于神经场的SLAM方法通常采用单一的、整体性的场作为场景表示。这阻碍了闭环约束的高效整合，并限制了可扩展性。为了解决这些缺点，我们提出了一种新颖的RGB-D神经建图框架，其中场景由一组轻量级神经场表示，这些神经场动态地锚定到稀疏视觉SLAM系统的位姿图上。我们的方法展示了整合大规模闭环的能力，同时只需要最少的重新整合。此外，我们通过在优化过程中考虑多个闭环来成功演示建筑规模的建图，验证了我们方法的可扩展性，并表明我们的方法在大型场景上的质量和运行时间方面优于现有最先进方法。我们的代码在https://github.com/KTH-RPL/neural_graph_mapping开源。
引用
@article{arxiv.2405.03633,
title = {Neural Graph Map: Dense Mapping with Efficient Loop Closure Integration},
author = {Leonard Bruns and Jun Zhang and Patric Jensfelt},
journal= {arXiv preprint arXiv:2405.03633},
year = {2025}
}
备注
WACV 2025, Project page: https://kth-rpl.github.io/neural_graph_mapping/