Point-SLAM：基于稠密神经点云的 SLAM
计算机视觉与模式识别
2023-09-13 v3
摘要
我们提出一种面向单目 RGBD 输入的稠密神经同步定位与地图构建（SLAM）方法，其将神经场景表示的特征锚定在以点云形式、以输入依赖的数据驱动方式迭代生成的点云中。我们证明跟踪与建图均可通过最小化基于 RGBD 的重渲染损失，使用同一基于点的神经场景表示完成。与近期将场景特征锚定在稀疏网格中的稠密神经 SLAM 方法不同，我们的基于点的方法允许根据输入的信息密度动态调整锚点密度。该策略在细节较少的区域减少运行时间与内存占用，并将更高点密度用于解析精细细节。我们的方法在 Replica、TUM-RGBD 和 ScanNet 数据集上的跟踪、建图与渲染精度上优于或与现有稠密神经 RGBD SLAM 方法相当。源代码见 https://github.com/eriksandstroem/Point-SLAM。
引用
@article{arxiv.2304.04278,
title = {Point-SLAM: Dense Neural Point Cloud-based SLAM},
author = {Erik Sandström and Yue Li and Luc Van Gool and Martin R. Oswald},
journal= {arXiv preprint arXiv:2304.04278},
year = {2023}
}
备注
ICCV 2023. 18 Pages, 12 Figures