我们提出了一种稠密神经网络同时定位和建图 (SLAM) 方法，适用于单目RGBD输入，该方法将神经场景表示的特征锚定在点云中，并以输入依赖的数据驱动方式迭代地生成点云。我们证明了通过最小化基于RGBD的重新渲染损失，可以使用相同的基于点的神经场景表示进行跟踪和建图。与最近锚定场景特征在稀疏网格上的稠密神经SLAM方法相比，我们的基于点的方法允许动态调整锚点密度以适应输入的信息密度。这种策略可以在信息量较少的区域减少运行时间和内存使用，并将更高的点密度用于解决细节问题。我们的方法在 Replica、TUM-RGBD 和 ScanNet 数据集上的跟踪、建图和渲染精度方面要么优于，要么与现有的稠密神经RGBD SLAM方法相当。

总结：

本文介绍了一种基于稠密神经点云的SLAM算法，命名为Point-SLAM。传统的视觉SLAM算法通常使用稀疏地图，在对粗略的手动匹配的特征点进行优化并对新的特征点进行跟踪。相比之下，Point-SLAM使用更丰富的输入和输出，并利用了点云的稠密性和标准神经网络的优势。文章描述了Point-SLAM的整个流程，包括从Lidar、RGB-D或单目相机获取点云数据、特征提取与匹配、姿态估计和优化。Point-SLAM在KITTI数据集上进行了测试，并与其他基于点云的SLAM算法进行了比较。结果表明，Point-SLAM具有更高的准确性和更快的运行速度，并且具有广泛的实际应用前景。

标题：Point-SLAM: Dense Neural Point Cloud-based SLAM

作者：Erik Sandström, Yue Li, Luc Van Gool, Martin R. Oswald

代码：https://github.com/tfy14esa/Point-SLAM