NFL-BA：面向动态光照 SLAM 的近场光照束调整
计算机视觉与模式识别
2026-01-26 v4
摘要
同步定位与建图（SLAM）系统通常假设静态、远距离光照；然而，许多真实世界场景（如内窥镜、地下机器人以及在坍塌环境中进行搜救）要求智能体在没有外部照明的情况下，依靠共置的光源和相机运行。在这种情况下，动态近场光照会引入强烈的、依赖视角的阴影，显著降低 SLAM 性能。我们引入了近场光照束调整损失（NFL-BA），将近场光照显式建模为束调整损失的一部分，并在动态光照下捕获的场景中实现更好的性能。NFL-BA 可以集成到具有隐式或显式场景表示的基于神经渲染的 SLAM 系统中。我们的评估主要关注内窥镜手术，其中 SLAM 可实现自主导航、对未探查区域的引导、盲点检测和 3D 可视化，从而显著改善患者预后并提升医生和患者的内窥镜体验。将 SLAM 系统的光度束调整损失替换为 NFL-BA 可显著改善相机追踪，MonoGS 提升 37%，EndoGS 提升 14%，并在 C3VD 结肠镜数据集上实现了最先进的相机追踪和建图性能。在开启闪光灯的手机相机捕获的室内场景上的进一步评估也表明，NFL-BA 显著提升了 SLAM 性能。结果见 https://asdunnbe.github.io/NFL-BA/
引用
@article{arxiv.2412.13176,
title = {NFL-BA: Near-Field Light Bundle Adjustment for SLAM in Dynamic Lighting},
author = {Andrea Dunn Beltran and Daniel Rho and Marc Niethammer and Roni Sengupta},
journal= {arXiv preprint arXiv:2412.13176},
year = {2026}
}