Evaluating geometric accuracy of NeRF reconstructions compared to SLAM method

随着神经辐射场（NeRF）实现变得更快、更高效和更准确，它们在真实世界的映射任务中的适用性变得更加可行。传统上，3D映射或场景重建依赖于昂贵的激光雷达感知。摄影测量可以进行基于图像的3D重建，但计算成本高，需要极其密集的图像表示来恢复复杂的几何和逼真度。NeRF通过在稀疏图像和姿态数据上训练神经网络来执行3D场景重建，使用更少的输入数据实现比摄影测量更好的结果。本文评估了两个NeRF场景重建模型，以估算垂直PVC圆柱的直径。其中一个模型是基于普通iPhone数据训练的，另一个是基于机器人采集的图像和姿态训练的。这种神经几何与最先进的激光惯性SLAM相比，从场景噪声和度量精度两个方面进行了比较。

论文旨在通过NeRF实现3D场景重建，以更少的输入数据获得比摄影测量更好的结果。同时，论文还试图比较NeRF与LiDAR惯性SLAM在场景噪声和度量精度方面的差异。

论文的关键思路是使用NeRF训练神经网络，从稀疏的图像和姿态数据中实现3D场景重建。

论文评估了两种不同的NeRF场景重建方法，一种使用iPhone数据，另一种使用机器人采集的图像和姿态数据。实验结果表明，与摄影测量相比，使用NeRF可以更好地重建3D场景。此外，论文还比较了NeRF与LiDAR惯性SLAM在场景噪声和度量精度方面的差异。

最近在这个领域中，还有一些相关的研究，例如：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《Learning to Reconstruct 3D Manhattan Wireframes from Monocular Images》、《Neural Volumes: Learning Dynamic Renderable Volumes from Images》等。