本研究提出了一种新型密集视觉SLAM方案MBA-SLAM，针对运动模糊图像的挑战，通过集成运动模糊感知跟踪器，显著提高了相机定位精度和地图重建质量。实验结果显示，MBA-SLAM在多个数据集上优于现有方法。

本文介绍了多种基于神经隐式场的SLAM方法，旨在提升室内场景的跟踪和地图生成能力。这些方法通过引入语义信息和优化策略，在动态环境中实现高精度的相机跟踪和地图重建，适用于未知和复杂环境，展现出良好的实时性能和鲁棒性。

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。

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。