SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping

我们提出了SLAIM - 同时定位和隐式地图构建。我们提出了一种新颖的粗到细的跟踪模型，专门为神经辐射场SLAM（NeRF-SLAM）设计，以实现最先进的跟踪性能。值得注意的是，现有的NeRF-SLAM系统在跟踪性能方面始终表现出劣于传统SLAM算法的情况。NeRF-SLAM方法通过图像对齐和光度束调整来解决相机跟踪问题。由于优化损失在图像空间中的吸引盆地很窄（局部最小值）并且缺乏初始对应关系，因此这些优化过程很难优化。我们通过在NeRF之上实现高斯金字塔滤波器来缓解这些限制，从而实现了粗到细的跟踪优化策略。此外，NeRF系统在有限的输入视图下收敛到正确的几何形状存在挑战。虽然之前的方法使用基于符号距离函数（SDF）的NeRF，并通过透过深度测量近似地监督SDF值来近似地获得地面真实SDF，但这通常会导致次优几何形状。相比之下，我们的方法采用体积密度表示，并在射线终止分布上引入新的KL正则化器，将场景几何形状限制为由空白空间和不透明表面组成。我们的解决方案实现了局部和全局束调整，以产生强大（粗到细）和准确（KL正则化器）的SLAM解决方案。我们在多个数据集（ScanNet、TUM、Replica）上进行实验，展示了在跟踪和重建精度方面的最先进结果。

解决问题：NeRF-SLAM方法通常比传统SLAM算法表现差，本文试图提出一种新的粗到细的跟踪模型，以实现最先进的跟踪性能。

关键思路：本文采用高斯金字塔滤波器在NeRF之上实现粗到细的跟踪优化策略，同时引入KL正则化器来约束场景几何结构，从而生成一个稳健且准确的SLAM解决方案。

其他亮点：本文的实验结果表明，在多个数据集上，该方法在跟踪和重建精度方面均表现出最先进的结果。

相关研究：在最近的相关研究中，有一些论文值得关注，例如“NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis”和“DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation”。