DVN-SLAM: Dynamic Visual Neural SLAM Based on Local-Global Encoding

最近对基于隐式表示的同时定位与地图构建（SLAM）的研究在室内环境中取得了有希望的结果。然而，仍然存在一些挑战：隐式编码的有限场景表示能力，从隐式表示中渲染过程的不确定性以及动态物体对一致性的干扰。为了解决这些挑战，我们提出了一种基于局部-全局融合神经隐式表示的实时动态视觉SLAM系统，名为DVN-SLAM。为了提高场景表示能力，我们引入了局部-全局融合神经隐式表示，使得在考虑全局结构和局部细节的同时构建隐式地图成为可能。为了解决渲染过程中产生的不确定性，我们设计了一个信息浓缩损失进行优化，旨在将场景信息集中在物体表面上。所提出的DVN-SLAM在多个数据集上实现了竞争性的定位和地图构建性能。更重要的是，DVN-SLAM表现出动态场景的稳健性，这使它与其他基于NeRF的方法有所区别。

该论文旨在解决基于隐式表示的同时定位和建图（SLAM）在室内环境中的局限性，如隐式编码的有限场景表示能力、渲染过程中的不确定性以及动态物体对一致性的破坏。

为了解决这些问题，论文提出了一种基于局部-全局融合神经隐式表示的实时动态视觉SLAM系统（DVN-SLAM），以提高场景表示能力、处理渲染过程中的不确定性和保持动态场景的一致性。

DVN-SLAM在多个数据集上实现了竞争性的定位和建图性能，并表现出动态场景的鲁棒性。实验设计了信息聚集损失来优化渲染过程中的不确定性，并使用了局部-全局融合神经隐式表示来提高场景表示能力。

最近在这个领域中，还有一些基于隐式表示的SLAM研究，如NeRF-SLAM、Atlas-SLAM等。