Visual SLAMMOT Considering Multiple Motion Models
Department of Automation, Shanghai Jiao Tong University(自动化系,上海交通大学);École d’Ingénieurs Paris SJTU (SPEIT)(巴黎工程学院SJTU(SPEIT))
本文提出一种考虑多种运动模型的视觉SLAMMOT方法,通过紧耦合SLAM与MOT克服传统独立模块的局限,验证了IMM-SLAMMOT在视觉领域的可行性与优势。
2025-08-14 cs.AI cs.CV cs.RO
EM-Fusion: Dynamic Object-Level SLAM with Probabilistic Data Association
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
大多数使用RGB-D相机获取密集3D环境地图的方法都假设静态环境或拒绝将移动对象作为异常值。然而,移动对象的表示和跟踪在机器人技术或增强现实中具有重要的应用潜力。在本文中,我们提出了一种新的方法,动态SLAM密集对象级表示。我们表示刚性物体在本地体积签署的距离函数(SDF)的地图,并制定多目标跟踪的RGB-D图像与SDF表示的直接对齐。我们的主要新颖性是一个概率公式,自然导致数据关联和遮挡处理的策略。我们在实验中分析了我们的方法,并证明了我们的方法与最先进的方法相比,在鲁棒性和准确性。
2020-11-24 cs.CV cs.RO
All-St3R SLAM: Real-time RGB Dynamic SLAM with Pixel-wise Motion Masking
Center for Artificial Intelligence Research, Korea Institute of Science and Technology(韩国科学技术院人工智能研究中心);Korea University(高丽大学);KIST School (UST)(韩国科学技术院学校(科学技术联合大学院))
本文提出All-St3R SLAM框架,结合DUSt3R与All-Tracker,以像素级运动掩码实现实时RGB动态SLAM,解决现有动态SLAM的过移除与高计算成本问题,性能优于现有方法。
2026-10-15 cs.CV cs.RO
Self-Improving SLAM in Dynamic Environments: Learning When to Mask
Université Paris-Saclay, CEA, List(巴黎-萨克雷大学,法国原子能委员会,List);CEA(法国原子能委员会)
动态环境中的视觉SLAM -同时定位与地图构建-通常依赖于识别和掩蔽移动对象上的图像特征,以防止它们对性能产生负面影响。目前的方法并不理想:它们要么无法在需要时掩蔽对象,要么相反,不必要地掩蔽对象。因此,我们提出了一种新的SLAM,学习时,掩蔽对象提高其在动态场景中的性能。给定一种分割对象的方法和一个SLAM,我们给后者时间掩蔽的能力,即,以推断何时应掩蔽某些类别的对象以最大化任何给定SLAM度量。我们不对运动做任何先验:我们的方法学会了自己屏蔽移动对象。为了避免高昂的注释成本,我们创建了一种自动注释方法来进行自我监督训练。我们构建了一个新的数据集,名为ConsInv,其中包括分别在室内和室外具有挑战性的真实世界动态序列。我们的方法在TUM RGB-D数据集上达到了最先进的水平,在KITTI和ConsInv数据集上的表现优于它。
2022-12-06 cs.AI cs.CV
iDF-SLAM: End-to-End RGB-D SLAM with Neural Implicit Mapping and Deep Feature Tracking
University of Bristol(布里斯托大学);Zhejiang University(浙江大学)
我们提出了一种新的端到端RGB-D SLAM,iDF-SLAM,它采用基于特征的深度神经跟踪器作为前端,NeRF风格的神经隐式映射器作为后端。神经隐式映射器是动态训练的,而神经跟踪器是在ScanNet数据集上预训练的,它也是随着神经隐式映射器的训练而微调的。在这样的设计下,我们的iDF-SLAM能够学习使用场景特定功能进行相机跟踪,从而实现SLAM系统的终身学习。跟踪器和映射器的训练都是自我监督的,而不引入地面真实姿势。我们测试了我们的iDF-SLAM的性能,并将结果与最近的两个基于NeRF的神经SLAM系统进行了比较。所提出的iDF-SLAM在场景重建和相机跟踪的竞争性能方面展示了最先进的结果。
2022-09-16 cs.CV cs.RO
Simplified_edition_Multi-robot SLAM Multi-view Target Tracking based on Panoramic Vision in Irregular Environment
Beijing University Of Chemical Technology(北京化工大学)
为了提高多机器人SLAM多视目标跟踪过程的精度,提出了一种改进的不规则环境下基于全景视觉的多机器人SLAM多视目标跟踪算法,通过加入修正因子更新现有的扩展卡尔曼滤波器(EKF)模型,经过两次迭代得到新的坐标X和Y。该论文已被《科学计算与可视化》杂志接受,这是一个简化版本。
2019-11-22 cs.CV cs.RO
Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios
Xi’an Jiaotong University(西安交通大学);Chang’an University(长安大学)
本文提出了一种基于ORB-SLAM 2的轻量级系统RDS-SLAM,该系统仅使用一个常用的Intel Core i7 CPU,就能在动态场景中实时的准确地估计姿态并构建对象级别的语义地图。在RDS-SLAM中,提出了三个主要的改进以及主要的架构修改,以克服ORB-SLAM 2的局限性。首先,在关键帧中采用轻量级的目标检测神经网络。其次,一个有效的跟踪和预测机制被嵌入到系统中,以消除属于可移动物体的特征点在所有传入的帧。第三,语义八叉树地图的检测和跟踪结果的概率融合,这使得机器人保持在对象级别的语义描述的潜在的互动在动态场景。我们在TUM RGB-D数据集上对RDS-SLAM进行了评估,实验结果表明,RDS-SLAM在动态场景中仅使用Intel Core i7 CPU就可以以每帧30.3 ms的速度运行,并且与严重依赖Intel Core i7 CPU和强大GPU的最先进SLAM系统相比,达到了相当的精度。
2022-10-10 cs.CV
SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping
Georgia Tech(佐治亚理工学院);Google Research(谷歌研究院)
针对现有NeRF-SLAM跟踪性能弱、有限视图下几何重建差的问题,提出SLAIM框架,通过高斯金字塔实现粗到细跟踪,引入KL正则项约束几何,结合局部全局光束法平差,在多数据集上取得跟踪与重建的SOTA结果。
2024-04-17 cs.CV
$S^3$LAM: Surfel Splatting SLAM for Geometrically Accurate Tracking and Mapping
本研究提出新型RGB-D SLAM系统$S^3$LAM,以2D高斯面元为基元结合自适应渲染策略与位姿雅可比推导,实现高精度跟踪建图,性能达当前最优。
2025-07-28 cs.CV
Spectral GS-SLAM: Observability-Aware, Degeneracy-Robust Tracking for Real-Time 3D Gaussian Splatting SLAM
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算机与数据科学学院)
提出Spectral GS-SLAM,通过自适应补偿退化场景中的欠约束方向,结合ICP与特征约束实现鲁棒跟踪,并利用高斯感知平面性加权机制融合几何信息,在无结构/纹理环境中保持实时性能(40.14 FPS)。
2026-10-14 cs.CV cs.RO
SCOUT-SLAM: Structurally-Coupled Dual Uncertainty-Aware 3DGS SLAM in the Wild
Indian Institute of Science(印度科学理工学院)
SCOUT-SLAM提出结构耦合双不确定性框架,通过共享网络和低秩适应估计跟踪不确定性,打破跟踪与重建的循环依赖,在动态基准上实现最先进跟踪精度与无伪影静态重建。
2026-09-15 cs.CV
FeatureSLAM: Feature-enriched 3D gaussian splatting SLAM in real time
CVSSP, Computer Science and Electronic Engineering, University of Surrey(Surrey大学计算机科学与电子工程系);Surrey Institute for People-Centered Artificial Intelligence, University of Surrey(Surrey大学人中心人工智能研究所);Industrial 3D Robotics(Industrial 3D Robotics公司)
本文提出一种实时SLAM系统,结合高效相机跟踪与逼真特征映射,利用3D高斯点云技术。核心贡献是将密集特征栅格化整合到新视角合成中,提升语义准确性,优于传统RGB-D输入,增强跟踪与映射精度。
2026-03-19 cs.CV
OA-SLAM: Leveraging Objects for Camera Relocalization in Visual SLAM
Université de Lorraine(洛林大学);Inria(法国国家信息与自动化研究所);LORIA(洛林计算机科学及其应用研究所);CNRS(法国国家科学研究中心)
在这项工作中,我们探讨了使用对象在同时定位与地图构建在看不见的世界,并提出了一个对象辅助系统(OA-SLAM)。更准确地说,我们表明,相比低级别的点,对象的主要好处在于他们的更高层次的语义和区分能力。相反,点具有比用于表示对象(长方体或椭圆体)的通用粗略模型更好的空间定位精度。我们表明,结合点和对象是非常感兴趣的,以解决问题的相机姿态恢复。我们的主要贡献是:(1)我们使用高级对象地标提高了SLAM系统的重新定位能力;(2)我们建立了一个自动系统,能够识别,跟踪和重建具有3D椭球的对象;(3)我们表明,基于对象的定位可以用于重新初始化或恢复相机跟踪。我们的全自动系统允许动态对象映射和增强的姿态跟踪恢复,我们认为这可以大大有利于AR社区。我们的实验表明,相机可以从经典方法失败的视点重新定位。我们证明,这种本地化允许SLAM系统继续工作,尽管跟踪丢失,这可能会经常发生与未启动的用户。我们的代码和测试数据在gitlab.inria.fr/tangram/oa-slam上发布。
2022-09-17 cs.CV
GauS-SLAM: Dense RGB-D SLAM with Gaussian Surfels
Beihang University(北航大学);Northwestern Polytechnical University(西北工业大学)
本文提出 GauS-SLAM,通过 2D 高斯面元、表面感知深度渲染和动态局部地图隔离策略,解决了高斯场景表示在新视角下的几何失真问题,在多个数据集上实现了优于同类方法的稠密 RGB-D SLAM 跟踪精度与渲染保真度。
2025-05-03 cs.CV
DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing
College of Intelligence Science and Technology, National University of Defense Technology(国防科技大学智能科学学院)
DK-SLAM提出一种结合MAML优化关键点网络、由粗到细跟踪及在线二进制特征回环检测的单目视觉SLAM,在公开数据集上超越ORB-SLAM3等系统,提升复杂环境下的定位精度与鲁棒性。
2024-06-25 cs.CV cs.RO
TVG-SLAM: Robust Gaussian Splatting SLAM with Tri-view Geometric Constraints
National University of Defense Technology(国防科技大学)
提出TVG-SLAM,一种利用三视图几何范式结合混合几何约束与概率初始化策略的纯RGB 3DGS SLAM系统,有效解决了户外环境下的追踪鲁棒性问题,显著降低了轨迹误差并提升了渲染质量。
2025-06-29 cs.CV
Outdoor Monocular SLAM with Global Scale-Consistent 3D Gaussian Pointmaps
The Hong Kong University of Science and Technology (Guangzhou)(香港理工大学(广州))
针对户外3DGS SLAM的几何先验缺失与尺度漂移问题,本文提出仅用RGB的S3PO-GS,通过点图锚定自洽跟踪和分块动态建图实现SOTA新视角合成与更优跟踪精度。
2025-07-24 cs.CV
DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM
Dalian University of Technology(大连理工大学);Saarland University of Applied Sciences(萨尔应用技术大学);Shanghai Jiao Tong University(上海交通大学);Dalian Maritime University(大连海事大学)
针对现有基于NeRF的SLAM在动态场景下易出现跟踪漂移和建图误差的问题,提出融合语义特征的实时DDN-SLAM系统,通过多模块设计实现稳健跟踪与高质量重建,动态数据集上ATE精度平均提升90%。
2024-03-09 cs.CV cs.RO
Loopy-SLAM: Dense Neural SLAM with Loop Closures
ETH Zürich(苏黎世联邦理工学院);University of Amsterdam(阿姆斯特丹大学);KU Leuven(鲁汶大学);INSAIT
Loopy-SLAM通过点式子地图、全局位置识别触发闭环和位姿图优化,实现稠密神经SLAM的全局位姿与3D模型校正,在多个数据集上取得领先精度。
2024-06-10 cs.CV
RGB-Depth SLAM Review
同时定位与地图构建(SLAM)使得实时密集重建成为可能,增加了导航、跟踪和增强现实问题的前景。在过去的几十年里,这方面已经取得了一些突破,更显着的工作仍在继续。详细讨论了Kinect融合算法、其变体和进一步开发的方法。算法和方法进行了比较,他们的有效性在跟踪和映射的基础上根均方误差在线可用的数据集。
2018-05-20 cs.CV
The Monado SLAM Dataset for Egocentric Visual-Inertial Tracking
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Collabora Ltd.(Collabora有限公司);CIFASIS, CONICET-UNR
本文提出Monado SLAM数据集,用于解决头戴式设备中高动态运动、动态遮挡等挑战性场景下的视觉-惯性里程计与SLAM问题。
2025-07-31 cs.CV cs.RO
RGBD GS-ICP SLAM
Sungkyunkwan University(成均馆大学)
具有密集表示的同时定位与地图构建(SLAM)在机器人、虚拟现实(VR)和增强现实(AR)应用中起着关键作用。密集表示SLAM的最新进展突出了利用神经场景表示和3D高斯表示进行高保真空间表示的潜力。本文提出了一种融合广义迭代最近点(G-ICP)和三维高斯泼溅(3DGS)的稠密表示SLAM方法。与现有的方法相比,我们利用一个单一的高斯地图的跟踪和映射,从而实现互惠互利。通过尺度对齐技术的跟踪和映射过程之间的协方差的交换,我们最大限度地减少冗余计算,实现一个高效的系统。此外,我们通过关键帧选择方法提高跟踪精度和映射质量。实验结果表明,我们的方法的有效性,显示了令人难以置信的快速速度高达107 FPS(整个系统)和卓越的质量重建的地图。
2024-03-22 cs.CV
Dy3DGS-SLAM: Monocular 3D Gaussian Splatting SLAM for Dynamic Environments
School of Information and Communication Engineering, Dalian University of Technology(信息与通信工程学院,大连理工大学);School of Engineering Sciences, Saarland University of Applied Sciences(应用科学大学工程科学学院,萨尔兰应用科学大学);Fraunhofer Institute for Nondestructive Testing(非破坏性检测研究所,弗劳恩霍夫);College of Information Science and Technology, Beijing University of Chemical Technology(信息科学与技术学院,北京化工大学);Faculty of Science and Engineering, Laval University(科学与工程学院,拉瓦尔大学)
本文提出Dy3DGS-SLAM,首个面向动态场景的单目RGB 3D高斯泼溅SLAM方法,通过概率融合光流与深度掩码并设计运动损失,实现动态环境下最先进的跟踪与渲染性能。
2025-06-06 cs.CV
DynaGSLAM: Real-Time Gaussian-Splatting SLAM for Online Rendering, Tracking, Motion Predictions of Moving Objects in Dynamic Scenes
UC San Diego(加州大学圣迭戈分校);Qualcomm XR Advanced Technology(高通XR先进技术公司)
针对动态场景中运动物体会破坏 GS-SLAM 静态假设的问题,提出实时 DynaGSLAM,联合实现自身运动估计及运动物体的在线渲染、跟踪与预测,并在三个真实数据集上优于现有方法。
2025-03-15 cs.CV
Direction-Aware Semi-Dense SLAM
为了辅助同时定位与地图构建(SLAM),未来的感知系统将结合场景理解的形式。在迈向完全集成的概率几何场景理解,定位和映射的一步,我们提出了第一个方向感知半密集SLAM系统。它联合推断的方向Stata中心世界(SCW)分割和基于冲浪的半密集地图,同时执行实时相机跟踪。联合SCW地图模型通过条件随机场(CRF)将场景范围内的贝叶斯非参数Dirichlet过程von-Mises-Fisher混合模型(DP-vMF)与局部surfel位置连接起来。摄像机跟踪利用SCW分割,通过引导观察选择来提高效率。结果表明,改进的SLAM的准确性和跟踪效率在最先进的性能。
2017-09-18 cs.AI cs.CV
DefSLAM: Tracking and Mapping of Deforming Scenes from Monocular Sequences
Instituto de Investigación en Ingeniería de Aragón (I3A), Universidad de Zaragoza(萨拉戈萨大学阿拉贡工程研究所(I3A));Institut Pascal - UMR 6602 - CNRS/UCA/CHU(帕斯卡研究所 - UMR 6602 - 法国国家科学研究中心/克莱蒙奥弗涅大学/大学医疗中心)
单目SLAM算法在观察刚性场景时稳健地执行,然而,当观察到的场景变形时,例如在医学内窥镜检查应用中,它们失败。我们提出了DefSLAM,第一个单目SLAM能够在变形场景中实时操作。我们的方法交织形状从模板(SfT)和非刚性结构从运动(NRSfM)技术来处理典型的SLAM的探索序列。变形跟踪线程通过SfT处理对静止场景形状进行建模的模板,以帧速率恢复相机的姿态和观察到的地图的变形。变形映射线程与跟踪并行运行,以通过等距NRSfM处理一批全透视关键帧的方式以关键帧速率更新模板。在我们的实验中,DefSLAM处理近距离序列的变形场景,无论是在实验室控制的实验和医疗内窥镜序列,产生精确的三维模型的场景相对于移动的相机。
2020-08-25 cs.CV eess.IV
SemGauss-SLAM: Dense Semantic Gaussian Splatting SLAM
School of Automation and Intelligent Sensing, Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai Jiao Tong University, Shanghai(自动化与智能感知学院、系统控制与信息处理重点实验室、中华人民共和国教育部、上海交通大学、上海);University of Cambridge, United Kingdom(剑桥大学、英国)
提出SemGauss-SLAM,将语义特征嵌入3D高斯表示,结合特征级损失与语义束调整,实现高精度稠密语义建图、稳健跟踪与高质量渲染,在Replica和ScanNet上优于现有辐射场SLAM方法。
2025-06-24 cs.CV cs.RO
GARAD-SLAM: 3D GAussian splatting for Real-time Anti Dynamic SLAM
School of Information and Communication Engineering, Dalian University of Technology(大连理工大学信息与通信工程学院);School of Aeronautics and Astronautics, Sun Yat-sen University(中山大学航空航天学院);Faculty of Science and Technology, University of Macau(澳门大学科技学院)
针对动态场景下3DGS SLAM的跟踪漂移与建图误差,GARAD-SLAM利用高斯金字塔网络直接分割动态高斯并施加渲染惩罚,实现实时鲁棒跟踪与高质量重建。
2025-02-18 cs.CV cs.RO
DNS SLAM: Dense Neural Semantic-Informed SLAM
Technical University of Munich(慕尼黑工业大学);Google(谷歌);Johns Hopkins University(约翰斯·霍普金斯大学)
DNS SLAM提出一种混合表示的神经RGB-D语义SLAM方法,仅用2D语义先验训练逐类场景表示,结合多视图几何与特征提取,在保证实时跟踪的同时实现更精细的语义重建。
2023-11-30 cs.CV
MOTSLAM: MOT-assisted monocular dynamic SLAM using single-view depth estimation
Kyushu University(九州大学);Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Fukuoka University(福冈大学);The University of Tokyo(东京大学)
针对静态场景的视觉SLAM系统已经开发出具有令人满意的精度和鲁棒性。动态3D对象跟踪随后已经成为视觉SLAM中的重要能力,其需要理解包括自动驾驶、增强和虚拟现实的各种场景中的动态环境。然而,由于难以关联动态特征并估计它们的位置,仅用单目图像执行动态SLAM仍然是一个具有挑战性的问题。在本文中,我们提出了MOTSLAM,一个动态的视觉SLAM系统与单目配置,跟踪动态对象的姿态和包围盒。MOTLAM首先执行多个对象跟踪(MOT)与相关的2D和3D限界框检测以创建初始3D对象。然后,基于神经网络的单目深度估计被应用于提取动态特征的深度。最后,相机姿势,物体姿势,静态和动态地图点,联合优化使用一种新的光束法平差。我们在KITTI数据集上的实验表明,我们的系统在单目动态SLAM上的相机自我运动和对象跟踪方面都达到了最佳性能。
2022-10-05 cs.CV
SGAD-SLAM: Splatting Gaussians at Adjusted Depth for Better Radiance Fields in RGBD SLAM
Machine Perception Lab, Wayne State University, Detroit, USA(机器感知实验室,韦恩州立大学,底特律,美国)
SGAD-SLAM通过调整深度的点云溅射方法改进RGBD SLAM中的光场表示,解决传统高斯点云灵活性和运动限制的问题,提升渲染质量和跟踪效率。
2026-03-22 cs.CV
GRAND-SLAM: Local Optimization for Globally Consistent Large-Scale Multi-Agent Gaussian SLAM
Aerospace Controls Laboratory at Massachusetts Institute of Technology(麻省理工学院航空航天控制实验室)
GRAND-SLAM提出一种协作式高斯泼溅SLAM方法,通过局部优化和回环检测实现大规模多智能体室外重建,在Replica和Kimera-Multi数据集上显著提升跟踪精度与渲染质量。
2025-06-23 cs.CV cs.RO
SLAM assisted 3D tracking system for laparoscopic surgery
United Imaging Research Institute of Intelligent Imaging(联影智能影像研究院);University of Michigan(密歇根大学);United Imaging(联影医疗);United Imaging of Surgery(联影外科研究院)
针对微创手术中靶器官内部结构定位难的问题,本研究改进ORB-SLAM2框架,结合3D形状先验与伪分割策略,提出实时单目3D跟踪算法,经体内外实验验证可鲁棒应对多种手术场景挑战。
2024-09-18 cs.CV cs.RO
UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM
ETH Zürich(苏黎世联邦理工学院);KU Leuven(鲁汶大学);University of Amsterdam(阿姆斯特丹大学)
提出一种自监督的不确定性学习框架,通过估计深度输入的逐像素不确定性来加权损失,提升稠密神经SLAM的建图和跟踪精度,在多个数据集上显著降低ATE并提高F1分数。
2023-09-06 cs.CV
Tracking monocular camera pose and deformation for SLAM inside the human body
Instituto de Investigación en Ingeniería de Aragón (I3A)(阿拉贡工程研究院(I3A));Universidad de Zaragoza(萨拉戈萨大学)
可变形场景中的单目SLAM将为多种医疗应用开辟道路,如内窥镜检查中的计算机辅助导航,自动药物输送或自主机器人手术。在本文中,我们提出了一种新的方法,同时跟踪相机的姿态和三维场景变形,没有任何假设的环境拓扑结构或形状。该方法使用光照不变的光度方法来跟踪图像特征,并结合重投影误差和变形的空间和时间正则化来估计相机运动和变形。我们在模拟结肠镜检查的结果表明,该方法的准确性和鲁棒性,在复杂的场景下,变形水平的增加。我们在Endomapper数据集的人体结肠镜检查中的定性结果表明,该方法能够成功应对真实内窥镜检查的挑战:变形,低纹理和强光照变化。我们还比较了以前的跟踪方法在更简单的情况下,从Hamlyn数据集,我们获得有竞争力的性能,而不需要任何拓扑假设。
2022-04-18 cs.CV
NGD-SLAM: Towards Real-Time Dynamic SLAM without GPU
University of Manchester(曼彻斯特大学);University of Cambridge(剑桥大学);Qualcomm Technologies XR Labs, Austria(Qualcomm Technologies XR 研究所,奥地利)
本文提出仅在CPU运行的实时动态SLAM系统,通过掩码传播机制解耦跟踪与掩码生成,结合ORB特征与光流的混合跟踪策略,在笔记本CPU上实现60 FPS跟踪帧率,保持动态环境高定位精度,代码公开。
2026-09-02 cs.CV cs.RO
CG-SLAM: Efficient Dense RGB-D SLAM in a Consistent Uncertainty-aware 3D Gaussian Field
State Key Lab of CAD&CG, Zhejiang University(浙江大学CAD&CG国家重点实验室);ZJU-UIUC Institute, International Campus, Zhejiang University(浙江大学国际校区ZJU-UIUC学院)
本文提出CG-SLAM,一种基于一致性不确定性感知3D高斯场的高效稠密RGB-D SLAM系统,通过深度不确定性模型优化Gaussian基元选择,实现高达15 Hz的追踪速度及卓越的追踪与建图性能。
2024-03-24 cs.CV cs.RO
A SLAM Map Restoration Algorithm Based on Submaps and an Undirected Connected Graph
School of Geodesy and Geomatics, Wuhan University(武汉大学测绘学院);Leibniz University Hannover(汉诺威莱布尼茨大学)
许多视觉同时定位与地图构建(SLAM)系统已被证明是准确和鲁棒的,并且在室内和地面数据集上都具有实时性能能力。然而,这些方法在处理由安装在无人机(UAV)上的相机捕获的空中帧时可能存在问题,因为UAV的飞行高度可能难以控制并且容易受环境影响。这涉及跟踪线程通过在跟踪丢失之前检查后续新帧与生成的地图之间的连接来继续在线工作。为了解决无人机跟踪丢失后地图丢失的问题,提出了一种基于单目视觉SLAM的无人机数据集全局地图重建方法,该方法通过相应的无向连通图依次合并子地图来重建完整的全局地图。具体而言,从初始化过程到跟踪丢失的地方,重复生成子图,并通过将这些子图视为节点并将两个子图内的公共图点视为边来构建相应的无向连通图。然后通过词袋(BoW)方法确定公共地图点,并且如果发现子地图与无向连通图中的在线地图连接,则合并子地图。为了证明该方法的性能,首先在无人机数据集上进行了实验,实验结果表明,在多次跟踪失败的情况下,映射的完整性明显优于当前主流的SLAM方法。
2020-07-29 cs.CV
CHOW-SLAM: Compact Hybrid Representation with Complementary Overlap Window Optimization for RGB-D SLAM
School of Automation Science and Electrical Engineering, Beihang University(北京航空航天大学自动化科学与电气工程学院)
本文提出CHOW-SLAM框架,通过紧凑P-H混合表示与互补重叠窗口策略构建空间、时间约束,结合ORB初始化与神经渲染优化,在多数据集上优于现有最优RGB-D SLAM方法。
2026-08-04 cs.CV
VTGaussian-SLAM: RGBD SLAM for Large Scale Scenes with Splatting View-Tied 3D Gaussians
Pengchong Hu;Zhizhong Han
针对现有3D高斯RGBD SLAM难以扩展至大规模场景的问题,本文提出视图绑定3D高斯表示及配套跟踪建图策略,在节省显存的同时提升渲染质量、跟踪精度与可扩展性。
2025-06-03 cs.CV
TivNe-SLAM: Dynamic Mapping and Tracking via Time-Varying Neural Radiance Fields
School of Information Science and Engineering, Yunnan University(云南大学信息科学与工程学院);Yunnan Key Laboratory of Intelligent Systems and Computing, Yunnan University(云南大学云南省智能系统与计算重点实验室)
本文提出TivNe-SLAM,通过时变神经辐射场同时实现动态场景的跟踪与建图,利用运动掩码区分动静区域、两阶段时变参数优化和基于重叠率的关键帧选择策略,在多个数据集上取得有竞争力的结果。
2025-02-10 cs.CV
Dual Covariance Gaussian Splatting SLAM: Decoupling Rendering and Registration for Robust Real-Time Tracking
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
针对3DGS SLAM中协方差同时用于渲染与配准的冲突,提出双协方差参数化,分离渲染与跟踪协方差,并利用跟踪协方差锚定角点,在多个数据集上实现鲁棒实时跟踪并降低漂移。
2026-09-23 cs.CV cs.RO
HDRFusion: HDR SLAM using a low-cost auto-exposure RGB-D sensor
University of Bristol(布里斯托大学);University of Cambridge(剑桥大学)
我们描述了一种新的方法,用于比较帧外观的帧到模型的3-D映射和跟踪系统,使用低动态范围(LDR)RGB-D相机,这是鲁棒的自动曝光引起的亮度变化。它基于归一化的辐射测量,其对曝光变化是不变的,并且不仅在变化的照明条件下增强跟踪,而且还使得以下曝光补偿能够准确地执行,以允许在线构建高动态范围(HDR)地图。后者有助于帧到模型的跟踪,以最大限度地减少漂移,并更好地捕捉场景内的光线变化。实验结果与合成和真实数据表明,该方法提供了改进的跟踪和地图更大的动态范围的光度。
2016-04-04 cs.CV
VIGS SLAM: IMU-based Large-Scale 3D Gaussian Splatting SLAM
Yonsei University(延世大学)
VIGS SLAM提出一种融合RGB-D与IMU的3D高斯溅射SLAM方法,利用ICP跟踪与IMU预积分,实现大规模室内环境下的高效建图与定位,性能媲美现有最先进方法。
2025-01-23 cs.CV cs.LG cs.RO
MAGiC-SLAM: Multi-Agent Gaussian Globally Consistent SLAM
University of Amsterdam(阿姆斯特丹大学)
针对现有SLAM系统单智能体局限及多智能体方法的不足,提出MAGiC-SLAM,采用刚性可变形3D高斯场景表示,结合新跟踪和地图合并机制,在合成与真实数据集上实现更精准、更快的多智能体全局一致SLAM。
2024-11-25 cs.AI cs.CV cs.RO
Comparing Representations in Tracking for Event Camera-based SLAM
The Hong Kong University of Science and Technology(香港科技大学);The University of Hong Kong(香港大学)
本文研究了两种典型的图像类型表示的事件相机为基础的跟踪:时间表面(TS)和事件地图(EM)。在原有的基于TS的跟踪器的基础上,我们利用这两种表示的互补优势,开发了一个增强版本。建议的跟踪器包括一个通用的战略,以评估最优化问题的退化在线,然后切换适当的表示。TS和EM都依赖于运动和场景,因此找出它们在跟踪中的局限性很重要。我们开发了六个跟踪器的变化,并进行了彻底的比较,他们的序列涵盖各种场景和运动的复杂性。我们发布了我们的实现和详细的结果,以使事件摄像机的研究社区受益:https://github.com/gogojjh/ESVO_extension。
2021-04-20 cs.CV cs.RO
NSL-SLAM: High-Fidelity Neural Structured-Light Depth for Practical SLAM and Reconstruction
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);School of Computer Science and Technology, Beihang University(北京航空航天大学计算机科学与技术学院);Yuanpei College, Peking University(北京大学元培学院)
研究针对高保真结构光深度定制实用SLAM系统,核心方法是强化深度感知并构建以深度为中心的管道,主要贡献是提升跟踪精度、降低轨迹偏差,实现实用稳健的SLAM且运行速度达20.9 FPS。
2026-09-14 cs.CV
WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments
Stanford University(斯坦福大学);ETH Zürich(苏黎世联邦理工学院);Microsoft(微软公司)
WildGS-SLAM是一种单目RGB SLAM系统,通过深度和不确定性信息结合DINOv2特征预测的不确定性图指导动态物体移除,增强跟踪、映射与渲染,在动态环境中实现无伪影视图合成且优于现有方法。
2025-04-04 cs.CV cs.RO
HS-SLAM: Hybrid Representation with Structural Supervision for Improved Dense SLAM
University of Bologna(博洛尼亚大学);Rock Universe(岩石宇宙)
HS-SLAM提出混合编码网络结合哈希网格、三平面和单斑块增强场景表示,通过非局部像素补丁采样实现结构监督,并采用主动全局束调整保证一致性,在跟踪和重建精度上优于基线,同时保持机器人所需效率。
2025-03-27 cs.CV
Implicit Event-RGBD Neural SLAM
Fudan University(复旦大学);Shanghai AI Laboratory(上海人工智能实验室);Hong Kong University of Sciences and Technology(香港科技大学);Shanghai Jiao Tong University(上海交通大学);Northwestern Polytechnical University(西北工业大学)
提出首个事件-RGBD隐式神经SLAM框架EN-SLAM,利用事件数据高动态范围优势,通过可微CRF渲染和时间聚合优化,在挑战性环境下实现高精度实时跟踪与建图。
2024-03-17 cs.CV
EndoMD-SLAM: Endoscopic Gaussian Splatting SLAM under Optical Degradation with Memory and Static-Transient Decomposition
Texas A&M University(德克萨斯农工大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of Minnesota(明尼苏达大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
EndoMD-SLAM是针对内窥镜光学退化问题的SLAM框架,通过记忆驱动门控、静态-瞬态分解等机制,在结肠镜检查基准上实现了轨迹误差降低91%、PSNR提升9.9 dB的效果。
2026-08-11 cs.CV
MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出MM3DGS,首次将三维高斯泼溅与未标定相机图像和惯性测量结合用于SLAM,通过融合惯性预积分、深度估计和光度质量损失,实现3倍跟踪提升和5%渲染质量提升,并发布多模态数据集UT-MM。
2024-04-01 cs.AI cs.CV cs.RO
DROID-Splat: Combining end-to-end SLAM with 3D Gaussian Splatting
Heidelberg University(海德堡大学)
针对单目视频SLAM在鲁棒性、速度和准确性间平衡不足的问题,提出结合端到端跟踪器与3D高斯溅射渲染器的DroidSplat框架,实现了基准测试中最先进的跟踪和渲染结果,且支持未知内参的野外数据。
2024-11-29 cs.CV
Robust and Efficient Monocular 3D Gaussian SLAM for Kilometer-Scale Outdoor Scenes
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
提出KiloGS-SLAM系统,通过运动自适应混合跟踪模块和生命周期管理的高斯映射策略,解决千米级室外场景中单目3DGS-SLAM的长期跟踪漂移和内存开销问题,实现高精度跟踪与渲染。
2026-06-29 cs.CV