DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM with Joint Semantic Encoding

我们提出了DDN-SLAM，这是一个实时的、面向动态场景的密集神经隐式语义SLAM系统。虽然现有的神经隐式SLAM系统在静态场景中表现良好，但在具有动态干扰的现实环境中，它们经常遇到挑战，导致跟踪和映射无效。DDN-SLAM利用深度语义系统提供的先验知识，结合条件概率场进行分割。通过构建深度引导的静态掩模和采用联合多分辨哈希编码，我们确保快速的孔填充和高质量的映射，同时减轻动态信息干扰的影响。为了增强跟踪的鲁棒性，我们利用稀疏特征点，并使用光流和关键帧进行验证，实现环路闭合检测和全局捆绑优化。此外，DDN-SLAM支持单目、立体和RGB-D输入，以20-30Hz的频率稳健运行。对6个虚拟/真实数据集的广泛实验表明，我们的方法在动态和静态场景中均优于现有的最先进方法。

DDN-SLAM旨在解决现有神经隐式SLAM系统在动态场景中跟踪和建图效果不佳的问题。

DDN-SLAM利用深度语义系统提供的先验知识，结合条件概率场进行分割，同时构建深度引导的静态掩模和采用联合多分辨哈希编码，以确保快速填洞和高质量建图。

DDN-SLAM支持单目、双目和RGB-D输入，运行频率为20-30Hz，实验结果表明该方法在动态和静态场景中均优于现有方法。

与该论文相关的研究包括：Neural RGB-D SLAM、SemanticFusion和D3VO等。