NeuV-SLAM: Fast Neural Multiresolution Voxel Optimization for RGBD Dense SLAM

我们介绍了一种名为NeuV-SLAM的新型稠密同时定位和建图流程，它基于神经多分辨率体素，具有超快的收敛速度和增量扩展能力。该流程利用RGBD图像作为输入来构建多分辨率神经体素，实现了快速收敛，同时保持了稳健的增量场景重建和相机跟踪。我们方法的核心是提出了一种新的隐式表示，称为VDF，它将神经有符号距离场（SDF）体素的实现与SDF激活策略相结合。这种方法涉及到直接优化锚定在体素内的颜色特征和SDF值，从而大大增强了场景收敛速度。为了确保清晰的边缘描绘，设计了SDF激活，即使在体素分辨率的约束下，也能保持卓越的场景表示保真度。此外，为了推进快速增量扩展并降低计算开销，我们开发了hashMV，一种基于哈希的多分辨率体素管理结构。这种架构配合着一种经过策略设计的体素生成技术，与二维场景先验相互协作。我们在Replica和ScanNet数据集上进行的实证评估证实了NeuV-SLAM在收敛速度、跟踪精度、场景重建和渲染质量方面的卓越效果。

NeuV-SLAM旨在解决RGBD图像下的稠密同时定位和建图问题，其重点在于实现快速收敛和增量扩展能力。

NeuV-SLAM提出了一种新的密集SLAM管道，基于神经多分辨率体素，利用RGBD图像构建多分辨率神经体素，实现快速收敛同时保持稳健的增量场景重建和相机跟踪。中心思想是提出一种新的隐式表示，称为VDF，它将神经有符号距离场（SDF）体素的实现与SDF激活策略相结合。

论文提出了一种新的隐式表示方法VDF，通过神经有符号距离场（SDF）体素的实现与SDF激活策略相结合，实现了快速场景收敛。此外，论文还提出了一种新的基于哈希的多分辨率体素管理结构hashMV，以及与二维场景先验相协调的体素生成技术。在Replica和ScanNet数据集上的实验表明，NeuV-SLAM在收敛速度、跟踪精度、场景重建和渲染质量方面具有卓越的效果。

最近的相关研究包括：《Fast and Furious: Real Time End-to-End 3D Detection, Tracking and Motion Forecasting with a Single Convolutional Net》、《Neural Sparse Voxel Fields》、《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》等。