机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本文介绍了多种基于神经网络的SLAM系统，如NICE-SLAM、DDN-SLAM和PIN-SLAM。这些系统通过引入分层特征和优化算法，提高了在动态和静态场景中的定位与建图精度，展现出更好的鲁棒性和实时性能。实验结果显示，这些新方法在多个数据集上优于现有技术。

本文介绍了一种新方法，通过方形平面标记同时解决定位和建图问题，优化相机标定和姿态估计。研究表明，该方法在复杂环境下表现优越，能够提高相机校准的准确性。

本文介绍了一种新方法，通过将场景分为静态背景和动态前景，排除动态元素，并扩展八叉树结构以支持多分辨率表示，解决了激光雷达在动态户外环境中定位与建图效果不佳的问题。该方法在多个数据集上表现优于现有技术。

本文介绍了一种新方法，通过方形平面标记实现无人机的定位和建图，实验结果表明该方法优于现有技术。此外，研究了无人机在逆境环境下的标记物探测性能，并提出了大规模数据集UAV-VisLoc以支持模型训练。这一方法增强了无人机在缺乏GNSS环境中的定位能力，展示了其实际应用潜力。

基于高斯喷洒的稠密视觉同时定位与建图（VSLAM）引入了一种新的框架，通过独特地将先进的稀疏视觉里程计与稠密高斯喷洒场景表示相结合，从而消除了依赖于深度图的限制并增强了跟踪的稳健性。我们的系统在各种合成和真实数据集上的评估证明了其姿态估计的准确性超越了现有方法，达到了最先进的性能，并且在新颖视角合成保真度方面胜过以前的单目方法，与利用 RGB-D 输入的神经 SLAM 系统的结果相匹配。

本文提出了一种新方法，使用LiDAR测量重建大规模三维语义场景，并采用隐式表示进行建模。通过MLPs解码隐式特征，得到语义信息和距离值，并采用自监督和伪监督策略进行优化。最后使用Marching Cubes算法进行推断和可视化。在三个真实数据集上表现出高效果和效率。

该文章介绍了一种在线的二维到三维语义实例映射算法，旨在生成适用于非结构化环境中的自主代理的全面、准确且高效的语义三维地图。该方法在公共大规模数据集上的准确性优于现有技术，并指出了使用真实轨迹作为输入而不是SLAM估计的轨迹对准确性产生的重大影响。

本文提出了一种基于立体相机系统的3D语义映射流程，包括前端直接稀疏视觉里程表和GNSS集成，后端语义3D点云标记。作者提出了时间投票方案，提高了3D点标签的质量和一致性，并在KITTI-360数据集上进行了评估。

该文介绍了一种在线的二维到三维语义实例映射算法，旨在生成适用于非结构化环境中的自主代理的全面、准确且高效的语义三维地图。该方法基于最近算法中使用的 Voxel-TSDF 表示，引入了在映射过程中集成语义预测置信度的新方法，产生了语义和实例一致的三维区域。通过基于图优化的语义标记和实例细化，进一步提高了准确性。该方法在公共大规模数据集上的准确性优于现有技术，改进了一些广泛使用的度量标准。同时指出了最近研究评估中的一个问题：使用真实轨迹作为输入而不是 SLAM 估计的轨迹，这对准确性产生了重大影响，导致了报告结果与实际在实际数据上的性能之间存在很大差距。

该研究提出了一种名为 LCR-Net 的多头网络模型，用于解决姿态估计漂移和退化问题。该模型通过特征提取和姿态感知机制来准确估计 LiDAR 扫描之间的相似度和 6-DoF 姿态，实现了强大而准确的在线 LiDAR SLAM。该模型在候选项检索、闭环点云配准和连续重定位等三个设置中展示了优异的性能，并表现出卓越的泛化能力。该模型不依赖于耗时的鲁棒姿态估计器，适用于在线 SLAM 应用。这是首个具有深度闭环检测和重定位能力的 LiDAR SLAM。

论文题目“Pixel-Perfect Structure-from-Motion with Featuremetric Refinement”（通过在特征尺度优化进行高精度 SFM），获得 ICCV 2021 最佳学生论文。本文的优化框架可在任何基于局部特征点的 SFM 流程中使用，使用 CNN 提取图像特征图(dense features)，根据稀疏的特征匹配得到初始的...