RoDyn-SLAM: Robust Dynamic Dense RGB-D SLAM with Neural Radiance Fields

近年来，利用神经隐式表示进行密集RGB-D SLAM已经得到研究。然而，该方法依赖于静态环境假设，在动态环境中由于几何和光度观察的不一致而无法稳健地工作。为了解决动态环境中出现的挑战，我们提出了一种新颖的基于神经辐射场的动态SLAM框架。具体而言，我们引入了一种运动掩模生成方法来过滤无效的采样光线。该设计有效地融合了光流掩模和语义掩模以增强运动掩模的精度。为了进一步提高位姿估计的准确性，我们设计了一种分治位姿优化算法，区分关键帧和非关键帧。所提出的边缘变形损失可以有效地增强相邻帧之间的几何约束。在两个具有挑战性的数据集上进行了大量实验，结果表明RoDyn-SLAM在精度和稳健性方面均达到了最近神经RGB-D方法的最新水平。

论文旨在解决动态环境下神经RGB-D SLAM的不足，提出了一种基于神经辐射场的动态SLAM框架，通过运动掩码生成方法来过滤无效的采样光线。

通过引入运动掩码生成方法，将光流掩码和语义掩码融合起来，增强了运动掩码的精度；设计了一种分治姿态优化算法，区分关键帧和非关键帧，进一步提高了位姿估计的准确性；提出的边缘变形损失有效增强了相邻帧之间的几何约束。

论文在两个具有挑战性的数据集上进行了广泛的实验，结果表明RoDyn-SLAM在准确性和鲁棒性方面都达到了最新的神经RGB-D方法的最优表现。

近年来，利用神经隐式表示进行密集RGB-D SLAM的研究已经得到了广泛关注，但是这种方法依赖于静态环境假设，在动态环境中无法稳健工作。