NeRF+SLAM论文阅读笔记

10月前作者：weixin_47343723 分类：Toy博客阅读(56) 违法举报

这篇具有很好参考价值的文章主要介绍了NeRF+SLAM论文阅读笔记。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

CVPR 2023

Co-SLAM: Joint Coordinate and Sparse Parametric Encodings for Neural Real-Time SLAM

input： RGB-D
contribution：
1.场景表示：多分辨率哈希网格（加速&保留高频特征）
2.编码方式：one-blob（提升未观察到区域的补全能力和一致性）编码方式根据场景表示（hash网格）制定
3.改进关键帧：支持在所有关键帧上执行BA
Related Work
iMap：由于实时性的要求，iMap使用系数采样和减少迭代次数提升效率，造成丢失高频细节&增大误差。
场景表示：如八叉树、哈希/体素网格等虽然可以提升效率，但缺乏MLP固有的平滑性和一致性先验，导致无法填补未观察到区域的空洞。如Nice-SLAM不能填补空洞，导致相机位姿出现漂移。
NeRF+SLAM论文阅读笔记
总体流程：
1)场景表示：联合坐标+参数编码-------MLP---------->RGB和SDF
2)tracking：最小化损失函数优化pose
3)mapping：从所有帧采样的全局射线进行全局BA，联合优化map&pose文章来源地址https://www.toymoban.com/news/detail-484293.html

vMAP: Vectorised Object Mapping for Neural Field SLAM

到了这里，关于NeRF+SLAM论文阅读笔记的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

[论文阅读]Coordinate Attention for Efficient Mobile Network Design

最近关于移动网络设计的研究已经证明了通道注意力(例如， the Squeeze-and-Excitation attention)对于提高模型的性能有显著的效果，但它们通常忽略了位置信息，而位置信息对于生成空间选择性注意图非常重要。在本文中，我们提出了一种新的移动网络注意力机制，将位置信息

2024年02月07日
浏览(53)
ORB-SLAM 论文阅读

论文链接 ORB-SLAM 0. Abstract 本文提出了 ORB-SLAM，一种基于特征的单目同步定位和建图 (SLAM) 系统该系统对严重的运动杂波具有鲁棒性，允许宽基线环路闭合和重新定位，并包括全自动初始化选择重建的点和关键帧的适者生存策略具有出色的鲁棒性，并生成紧凑且可跟踪的地图

2024年01月22日
浏览(59)
【NeRF】（一）NeRF论文学习笔记

概述：重建：根据目前有的不同角度二维图片，重建三维物体。用 MLP 网络学 Scene Representation，以实现输入源图像对应的三维空间坐标和相机视角 ( x , y , z , θ , ϕ ) (x,y,z,theta,phi) ( x , y , z , θ , ϕ ) ；输出 ( R , G , B , σ ) (R,G,B,sigma) ( R , G , B , σ ) ，分别表示RGB 颜色值和体素

2024年02月06日
浏览(39)
论文阅读《Block-NeRF: Scalable Large Scene Neural View Synthesis》

论文地址：https://arxiv.org/pdf/2202.05263.pdf 复现源码：https://github.com/dvlab-research/BlockNeRFPytorch Block-NeRF是一种能够表示大规模环境的神经辐射场（Neural Radiance Fields）的变体，将 NeRF 扩展到渲染跨越多个街区的城市规模场景。该方法将场景分解为单独训练的 NeRF，使渲染时间与

2024年02月03日
浏览(46)
【论文阅读】CubeSLAM: Monocular 3D Object SLAM

这一部分是论文中最难理解的一章，作者的主要想法，是利用2d图像来生成3d的目标包围框（bounding box），一方面这个思路本身就不是很好懂，另一方面，作者写这一章还是用的倒叙，显得更难理解了。 3d包围框的定义对于本文的3d包围框，需要使用九个量来定义，可以分为三

2024年02月07日
浏览(45)
论文阅读-AVoiD-DF: Audio-Visual Joint Learning for Detecting Deepfake（多模态数据集DefakeAVMiT+多模态鉴伪方法AVoiD-DF）

论文名称：AVoiD-DF: Audio-Visual Joint Learning for Detecting Deepfake 作者团队：以前的方法仅侧重单模态的伪造，即使有多模态的数据也只是将音频信号当做监督信号，忽略了音频被伪造的可能。提出一个新的多模态基准数据集DefakeAVMiT，其包含足够多的视频和音频伪造内容，两个

2024年02月03日
浏览(40)
NICE-SLAM: Neural Implicit Scalable Encoding for SLAM论文阅读

标题：NICE-SLAM: Neural Implicit Scalable Encoding for SLAM 作者：Zihan Zhu， Songyou Peng，Viktor Larsson — Zhejiang University 来源：CVPR 代码：https://pengsongyou.github.io/nice-slam 时间：2022 神经隐式（Neural implicit representations）表示最近在同步定位和地图绘制（SLAM）方面有一定的进展，但现有方法

2024年02月15日
浏览(53)
LEARNING TO EXPLORE USING ACTIVE NEURAL SLAM 论文阅读

题目：LEARNING TO EXPLORE USING ACTIVE NEURAL SLAM 作者：Devendra Singh Chaplot, Dhiraj Gandhi 项目地址：https://devendrachaplot.github.io/projects/Neural-SLAM 代码地址：https://github.com/devendrachaplot/Neural-SLAM 来源：LCLR 时间：2022 这项工作提出了一种模块化和分层的方法来学习探索 3D 环境的策略，称为

2024年02月14日
浏览(43)
论文阅读：SuMa++: Efficient LiDAR-based Semantic SLAM

来源：IROS 2019 链接：https://ieeexplore.ieee.org/document/8967704 可靠、准确的定位和映射是大多数自动驾驶系统的关键组成部分。除了映射环境的几何信息外，语义在实现智能导航行为方面也起着重要作用。在大多数现实环境中，由于移动对象引起的动态变换，这个任务特别复杂，这

2024年03月12日
浏览(77)
Text-to-3D 任务论文笔记： Latent NeRF

论文链接： https://arxiv.org/pdf/2211.07600.pdf 这篇文章做的task可以简单分为三个：直接用文本生成3D；用一个所谓的Sketch-Shape，让用户定义基础形状，然后加上文本，共同去引导生成３D；（Latent-NeRF主体）用户给定mesh，可以给uv参数，也可以不给，然后引导latent-NeRF去给这个Me

2024年02月10日
浏览(49)