NID-SLAM：基于神经隐式表示的动态环境下的 RGB-D SLAM
原文中文，约200字，阅读约需1分钟。发表于：。提出了一种名为 NID-SLAM 的方法，通过增强语义掩膜中的不准确区域和选择关键帧来提高神经 SLAM 在动态环境中的性能。在动态环境中，该方法通过准确删除动态物体来降低相机漂移的概率，从而在跟踪准确性和建图质量方面优于其他竞争性神经 SLAM 方法。
该研究提出了一种新的RGB-D SLAM方法，使用神经隐函数和分层特征体积实现地图重建。通过匹配渲染和输入视频帧解决摄像机运动和神经隐式地图问题，并引入光度变形损失约束摄像机姿态和场景几何。实验结果显示该方法优于以前的方法，甚至超过了一些最新的RGB-D SLAM方法。
