MoD-SLAM: Monocular Dense Mapping for Unbounded 3D Scene Reconstruction

最近，神经隐式表示法在许多领域中得到了展示，包括同时定位和地图构建（SLAM）。目前，神经SLAM可以在重建有界场景方面实现理想的结果，但这依赖于RGB-D图像的输入。仅基于RGB图像的基于神经网络的SLAM无法准确重建场景的比例，并且由于跟踪过程中累积的误差而导致比例漂移。为了克服这些限制，我们提出了MoD-SLAM，这是一种单目稠密建图方法，可以实时进行全局姿态优化和三维重建，适用于无界场景。通过单目深度估计优化场景重建，并使用循环闭合检测来更新相机姿态，使得在大场景中可以进行详细而精确的重建。与以前的工作相比，我们的方法更加稳健、可扩展和多功能。我们的实验表明，MoD-SLAM比以前的神经SLAM方法具有更优秀的建图性能，特别是在大型无边界场景中。

本论文旨在解决单目深度感知在SLAM中无法精确重建场景尺度和存在的尺度漂移问题，提出了一种新的方法MoD-SLAM。

MoD-SLAM是一种基于单目视觉的密集建图方法，通过单目深度估计来优化场景重建，并利用回环检测来更新相机姿态，实现对大场景的精细重建。

论文的实验结果表明，MoD-SLAM在大场景中具有比之前的神经SLAM方法更为优异的建图性能。此外，MoD-SLAM还具有更高的鲁棒性、可扩展性和通用性。

近期的相关研究包括基于RGB-D图像的SLAM方法和基于深度学习的SLAM方法，如ORB-SLAM、DSO、LSD-SLAM等。