苏黎世联邦理工提出首个RGB实现神经隐式的稠密的SLAM，效果媲美RGB-D

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

论文# NICER-SLAM: Neural Implicit Scene Encoding for RGB SLAM

论文地址：https://arxiv.org/abs/2302.03594

作者单位：苏黎世联邦理工学院

神经隐式表示近年来在SLAM中，特别是在稠密视觉SLAM中，成为一种流行的表示方法。然而，此前在这一方向上的工作要么依赖于RGB-D传感器，要么需要单独的单目SLAM方法进行相机跟踪，并且不能产生高精度、高密度3D场景重建。在本文中，我们提出了NICER-SLAM，这是一个稠密的RGB SLAM系统，同时优化相机位姿和分层神经隐式地图表示，这也允许高质量的新视图合成。

为了促进建图的优化过程，我们集成了额外的监督，包括易于获得的单目几何特征和光流，并引入了简单的翘曲损失来进一步加强几何一致性。此外，为了进一步提高复杂室内场景的性能，我们还提出了从符号距离函数(SDFs)到体绘制方程中的密度的局部自适应转换。在合成和真实数据集上，我们在密集映射、跟踪和新颖的视图合成方面都表现出了强大的性能，甚至可以与最近的RGB-D SLAM系统竞争。

本文贡献如下：

1、我们提出了NICER-SLAM，这是第一个稠密的RGB SLAM之一，它可以对跟踪和建图进行端到端优化，还可以实现高质量的新视图合成。

2、我们为SDF，不同的几何和运动正则化，以及局部自适应的SDF体积密度转换引入了层次神经隐式编码。

3、我们在合成数据集和真实数据集上展示了强大的建图、跟踪和新颖的视图合成性能，甚至可以与最近的RGBD SLAM方法竞争。