SLAIM：面向在线跟踪与地图构建的鲁棒稠密神经SLAM
计算机视觉与模式识别
2024-04-18 v1
摘要
我们提出了SLAIM——Simultaneous Localization and Implicit Mapping（Simultaneous Localization and Implicit Mapping）。我们提出了一种针对神经辐射场SLAM（NeRF-SLAM）的粗到细跟踪模型，以实现业界最佳的跟踪性能。值得注意的是，现有NeRF-SLAM系统的跟踪性能始终低于传统SLAM算法。NeRF-SLAM方法通过图像对齐和光度束_adjustment来求解相机跟踪。由于图像空间优化损失函数的吸引域狭窄（局部极小值）以及缺乏初始配对，此类优化过程难以优化。我们通过在NeRF之上实现高斯金字塔滤波，构建粗到细跟踪优化策略，以缓解这些限制。此外，NeRF系统在有限输入视图下难以收敛到正确几何。虽然先前方法使用基于符号距离函数（SDF）的NeRF，并通过深度测量近似地真实SDF来直接监督SDF值，但常导致几何次优。相比之下，我们的方法采用体积密度表示，引入射线终止分布的新型KL正则化，约束场景几何由空旷空间和不透明表面组成。我们的解决方案实现了局部和全局束_adjustment，提供稳健（粗到细）且准确（KL正则化）的SLAM解决方案。我们在多个数据集（ScanNet、TUM、Replica）上进行实验，展示了在跟踪和重建精度方面的业界最佳成果。
引用
@article{arxiv.2404.11419,
title = {SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping},
author = {Vincent Cartillier and Grant Schindler and Irfan Essa},
journal= {arXiv preprint arXiv:2404.11419},
year = {2024}
}