EVI-SAM: Robust, Real-time, Tightly-coupled Event-Visual-Inertial State Estimation and 3D Dense Mapping

本文提出了一种名为EVI-SAM的方法，旨在使用单目事件相机解决6自由度位姿跟踪和3D重建问题。该方法设计了一种新的事件驱动混合跟踪框架，利用特征匹配的鲁棒性和直接对准的精度来估计位姿。具体来说，我们开发了一种基于事件的2D-2D对准方法来构建光度约束，并将其与基于事件的重投影约束紧密结合。通过图像引导的事件映射方法，映射模块可以恢复场景的密集和丰富的深度信息。随后，通过使用截断有符号距离函数（TSDF）融合多个视角的密集深度图，可以重建出三维场景的外观、纹理和表面网格。据我们所知，这是第一个实现基于事件的密集映射的非学习性工作。我们在公开数据集和自己收集的数据集上进行了数值评估，定性和定量展示了我们方法的优越性能。我们的EVI-SAM有效地平衡了准确性和鲁棒性，同时保持了计算效率，在具有挑战性的场景中展现出优越的位姿跟踪和密集映射性能。视频演示：https://youtu.be/Nn40U4e5Si8。

使用单目事件相机进行6自由度姿态跟踪和三维重建的问题

使用事件相机的混合跟踪框架来估计姿态，并结合直接对齐和特征匹配的优点来提高精度和鲁棒性；使用基于图像的事件映射方法恢复场景的密集和丰富的深度信息，并使用截断有符号距离函数（TSDF）融合来重建出外观、纹理和表面网格

论文提出了一种非学习的事件密集映射方法；实验结果表明该方法在鲁棒性和精度方面均表现优异，并且具有计算效率；论文使用公开数据集和自己收集的数据集进行了定量和定性评估，并提供了视频演示和开源代码

最近的相关研究包括《EventSLAM: Real-time Visual SLAM with Event Cameras》和《Event-based 3D Mapping and Navigation with an RGB-D Camera》