$ν$-DBA: Neural Implicit Dense Bundle Adjustment Enables Image-Only Driving Scene Reconstruction

本文提出了一种名为$\nu$-DBA的新型框架，它使用3D神经隐式表面对地图进行参数化，实现了几何密集束调整（DBA）的联合优化传感器轨迹和3D地图的关键特征，这对于自动驾驶至关重要。该框架通过使用密集光流预测引导的几何误差进行优化，同时优化地图表面和轨迹姿态。此外，我们使用每个场景的自我监督对光流模型进行微调，以进一步提高密集建图的质量。我们在多个驾驶场景数据集上的实验结果表明，我们的方法实现了优越的轨迹优化和密集重建精度。我们还研究了光度误差和不同神经几何先验对表面重建和新视角合成性能的影响。我们的方法是利用神经隐式表示进行密集束调整的重要进展，可实现更准确的轨迹和详细的环境建模。

本文旨在解决自动驾驶中的传感器轨迹优化和3D地图优化问题，提出了一种基于神经隐式表面和光流预测的几何稠密束调整框架，以优化地图表面和轨迹姿态。

本文提出了一种新的框架，使用神经隐式表面来进行地图参数化，并使用光流预测引导几何误差优化地图表面和轨迹姿态。此外，通过场景自监督的方式对光流模型进行微调，进一步提高了稠密建图的质量。

本文的实验结果表明，该方法在多个驾驶场景数据集上实现了优秀的轨迹优化和稠密重建精度。此外，本文探讨了光度误差和不同神经几何先验对表面重建和新视角合成性能的影响。该方法为在稠密束调整中利用神经隐式表示实现更准确的轨迹和详细环境建模迈出了重要一步。

在这个领域中，最近的相关研究包括使用深度学习进行光流预测和使用神经隐式表面进行3D重建的方法。例如，论文《End-to-end Learning of Optical Flow with Occlusion Handling》和《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》。