NID-SLAM: Neural Implicit Representation-based RGB-D SLAM in dynamic environments

本文介绍了一种新的方法，名为NID-SLAM，它显著提高了神经SLAM在动态环境下的性能。现有方法在静态场景下操作稳健，但在移动物体引起的干扰下效果不佳。我们提出了一种新的方法来增强语义掩模中不准确的区域，特别是在边缘区域。利用深度图中存在的几何信息，该方法能够准确地去除动态物体，从而降低相机漂移的概率。此外，我们还引入了一种适用于动态场景的关键帧选择策略，它增强了相机跟踪对大型物体的稳健性，并提高了建图的效率。在公开可用的RGB-D数据集上的实验证明，我们的方法在动态环境中的跟踪精度和建图质量方面优于竞争性的神经SLAM方法。

本文旨在提高神经SLAM在动态环境中的性能，特别是在提供高保真密集地图方面。现有方法在静态场景下运行稳健，但在移动物体引起的干扰下表现不佳。

本文提出了一种新方法来增强语义掩模中不准确的区域，特别是在边缘区域。利用深度图中存在的几何信息，该方法能够准确地去除动态物体，从而降低相机漂移的概率。此外，本文还引入了一种针对动态场景的关键帧选择策略，提高了相机跟踪的稳健性，同时提高了映射的效率。

本文的实验使用公开的RGB-D数据集，证明了我们的方法在动态环境中跟踪精度和映射质量方面优于竞争的神经SLAM方法。

最近的相关研究包括：《D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry》、《DeepTIO: A Deep Thermal-Inertial Odometry for Unmanned Aerial Vehicles》、《Deep Continuous Fusion for Multi-Sensor 3D Object Detection》等。