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。

本文综述了神经隐式场与深度学习结合的SLAM进展，涵盖密集神经SLAM、GO-SLAM全局优化、Photo-SLAM逼真建图、不确定性神经辐射场、语义V-SLAM及CNN融合框架，在Replica、TUM-RGBD、ScanNet等数据集上提升了跟踪、重建与渲染精度，并支持实时运行。