Deep Patch Visual SLAM

最近在视觉SLAM领域的研究表明，使用深度神经网络骨干非常有效。然而，尽管具有出色的准确性，这种方法通常运行成本高，或者不能很好地进行零样本泛化。它们的运行时间也可能会因前端和后端争夺GPU资源而波动。为了解决这些问题，我们介绍了Deep Patch Visual（DPV）SLAM，这是一种在单个GPU上进行单目视觉SLAM的方法。与现有的深度SLAM系统相比，DPV-SLAM保持了高最小帧率和小内存开销（5-7G）。在真实数据集上，DPV-SLAM以1x-4x实时帧率运行。在EuRoC和TartanAir上，我们实现了与DROID-SLAM相当的准确性，同时运行速度更快（2.5倍）且使用的内存更少。DPV-SLAM是DPVO视觉里程计系统的扩展，其代码可以在同一存储库中找到：https://github.com/princeton-vl/DPVO。

DPV-SLAM试图解决单个GPU上运行深度SLAM系统的高昂成本和波动性问题，同时保持高精度和实时性。

DPV-SLAM使用深度网络作为后端，在前端使用图像块来减少计算量和内存占用，并使用增量式姿态估计来提高实时性。

DPV-SLAM在实验中表现出与DROID-SLAM相当的精度，但比DROID-SLAM快2.5倍，内存占用更少。代码已在GitHub上开源。

近期的相关研究包括DROID-SLAM，DSO，ORB-SLAM，LSD-SLAM等。