SLAM&Render：用于神经渲染、高斯溅写和 SLAM 交叉的基准

最初开发用于新视角合成和场景渲染的模型和方法，如神经辐射场（NeRF）和高斯溅写，正在日益被用于同时定位与地图构建（SLAM）。然而，现有数据集未能包含两者所特有的具体挑战，如顺序操作和多数情况下在 SLAM 中的多模态性或神经渲染中跨视点和照明条件的泛化。此外，数据通常使用手持或安装在无人机或移动机器人上的传感器收集，这会使传感器运动的准确复现复杂化。为填补这一差距，我们引入了 SLAM&Render，一个新的数据集，旨在衡量 SLAM、新视角渲染和高斯溅写交叉的方法。使用机器人机械臂记录，独特地包括 40 个序列的时间同步 RGB-D 图像、IMU reading、机器人运动学数据和真值姿态流。通过发布机器人运动学数据，该数据集还允许评估最近将 SLAM 范例集成到机器人应用中的方法。数据集特点包括五种设置，包含在四个受控照明条件下的消费级和工业级物体，每个设置都有独立的训练和测试轨迹。所有序列都是静止的，具有不同的物体重新排列和遮挡程度。我们的实验结果通过来自文献中几个基准方法，验证了 SLAM&Render 作为这一新兴研究领域的相关基准。