面向实时稠密室内场景重建的不确定性感知神经隐式SLAM
计算机视觉与模式识别
2024-12-03 v1
摘要
神经隐式场（Neural implicit fields）最近因其简单性和领先性能，成为多视角表面重建的强大表示方法。然而，在确保实时性能的同时重建室内场景的薄结构仍是一个挑战。以往方法不考虑输入RGB-D数据的质量差异，采用固定频率的映射过程来重建场景，可能导致某些帧中宝贵信息的丢失。本文提出了Uni-SLAM，一种基于哈希网格的解耦式3D空间表示，用于室内重建。我们引入了新定义的预测不确定性来重新加权损失函数，同时采用战略性的局部到全局束调整。在合成数据和真实数据集上的实验表明，我们的系统在保持实时性能的同时实现了领先的跟踪和映射精度。在Replica数据集上，深度L1误差降低25%，在1厘米内的完成率提升至66.86%，反映出对薄结构重建的更高精度。项目页面: https://shaoxiang777.github.io/project/uni-slam/
引用
@article{arxiv.2412.00242,
title = {Uni-SLAM: Uncertainty-Aware Neural Implicit SLAM for Real-Time Dense Indoor Scene Reconstruction},
author = {Shaoxiang Wang and Yaxu Xie and Chun-Peng Chang and Christen Millerdurai and Alain Pagani and Didier Stricker},
journal= {arXiv preprint arXiv:2412.00242},
year = {2024}
}
备注
Winter Conference on Applications of Computer Vision (WACV 2025)