Benchmarking Implicit Neural Representation and Geometric Rendering in Real-Time RGB-D SLAM

最近，隐式神经表示法（INR）结合几何渲染已被用于实时稠密RGB-D SLAM。尽管有积极的研究努力，但缺乏一个统一的公平评估协议，阻碍了该领域的发展。本研究建立了我们所知道的第一个开源基准测试框架，以评估广泛使用的各种INR和渲染函数的映射和定位性能。我们的基准测试的目标是：1）获得不同INR和渲染函数对映射和定位的影响的直觉；2）建立一个统一的评估协议，针对可能影响映射和定位的设计选择。我们使用该框架进行了大量实验，提供了各种选择INR和几何渲染函数的见解：例如，密集特征网格优于其他INR（例如三平面和哈希网格），即使几何和颜色特征被联合编码以提高内存效率。为了将这些发现扩展到实际场景，提出了混合编码策略，以兼顾基于网格和分解的INR的精度和完成度。我们进一步提出了显式混合编码，以实现高保真密集网格映射，以符合以鲁棒性和计算效率为前提的RGB-D SLAM系统。

建立一个公开的基准测试框架，以评估常用INR和渲染函数的性能，以解决缺乏统一评估协议的问题。

使用几何渲染和隐式神经表示法（INR）的组合，建立一个基准测试框架来评估不同INR和渲染函数对于建图和定位的影响，并提出了混合编码策略来提高精度和完成度。

论文提出了一个公开的基准测试框架，评估了不同INR和渲染函数的性能，并提出了混合编码策略来提高精度和完成度。实验结果表明，密集特征网格优于其他INR，即使对几何和颜色特征进行联合编码以提高内存效率。论文还提出了显式混合编码，以实现高保真密集网格建图。论文中使用了多个数据集，并提供了开源代码。

最近的相关研究包括：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Occupancy Networks: Learning 3D Reconstruction in Function Space》、《NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis》等。