PLGSLAM：基于局部到全局光束法平差的渐进式神经场景表示

神经隐式场景表示最近在稠密视觉 SLAM 中展现出令人鼓舞的结果。然而，当扩展到大型室内场景和长序列时，现有方法会产生低质量的场景重建和低精度的定位性能。这些限制主要是由于其具有有限容量的单一全局辐射场无法适应大型场景。在大场景中累积误差的增长下，它们的端到端位姿网络也不够鲁棒。为此，我们引入了 PLGSLAM，一个能够在实时情况下进行高保真表面重建和鲁棒相机跟踪的神经视觉 SLAM 系统。为了处理大规模室内场景，PLGSLAM 提出了一种渐进式场景表示方法，该方法动态分配由局部滑动窗口内帧训练的新的局部场景表示。这使我们能够扩展到更大的室内场景并提高鲁棒性（即使在位姿漂移下）。在局部场景表示中，PLGSLAM 利用三平面表示局部高频特征，并利用多层感知机（MLP）网络表示低频特征，在未观测区域实现平滑性和场景补全。此外，我们提出了具有全局关键帧数据库的局部到全局光束法平差方法，以解决长序列上位姿漂移增加的问题。实验结果表明，PLGSLAM 在各种数据集和场景（小型和大型室内环境）中均实现了当前最优的场景重建结果和跟踪性能。代码已在 https://github.com/dtc111111/plgslam 开源。