Mesh-based Photorealistic and Real-time 3D Mapping for Robust Visual Perception of Autonomous Underwater Vehicle

本文提出了一种逼真的实时稠密三维建图系统，利用基于学习的图像增强方法和基于网格的地图表示。由于水下环境的特殊性，如雾化和低对比度等问题，很难应用传统的同时定位和建图（SLAM）方法。此外，对于像检查裂缝这样的敏感任务，逼真的建图非常重要。然而，自主水下车辆（AUV）的行为受到计算限制。本文利用基于神经网络的图像增强方法来提高姿态估计和建图质量，并应用基于滑动窗口的网格扩展方法，实现轻量级、快速和逼真的建图。为了验证我们的结果，我们利用真实世界和室内合成数据集。我们使用真实世界数据集进行定性验证，并通过将来自室内合成数据集的图像建模为水下场景进行定量验证。

论文旨在提出一种实时的、密集的、基于学习的图像增强方法和基于网格的地图表示的光线追踪3D建图系统，以解决水下环境下的SLAM问题和对于敏感任务的精细建图问题。

论文提出了一种基于神经网络的图像增强方法来提高姿态估计和地图质量，同时应用了基于滑动窗口的网格扩展方法，以实现轻量级、快速、真实感的建图。

论文使用真实世界和室内合成数据集进行了定性和定量验证。实验结果表明，该方法相比传统方法具有更好的建图效果和姿态估计精度。论文的代码和数据集已经开源，可以供其他研究者使用和参考。

近期在水下SLAM和图像增强领域的相关研究包括：《Underwater Robot Localization and Mapping: A Review》、《Underwater Image Enhancement by Dehazing with Minimum Information Loss and Histogram Distribution Prior》等。