本研究提出了一种名为“GAN-SLAM”的方法，通过生成对抗网络提高动态机器人运动中的地图精度，显著改善2D地图质量，为自主系统的制图任务开辟了新方向。

本文提出了一种新型密集语义SLAM系统GSFF-SLAM，克服了现有系统在稀疏和噪声信号下的局限性。实验结果表明，该方法在跟踪精度和渲染质量上优于以往，mIoU语义分割性能达到95.03%，速度提升2.9倍。

本文提出了GeoFlow-SLAM，一种针对动态环境的RGBD-惯性SLAM方法。通过结合几何一致性和四足里程计约束，显著提升了特征匹配效果，改善了传统SLAM在纹理稀缺环境中的表现，并在多个公开数据集上取得最佳结果。

本研究提出了一种名为Deblur-SLAM的RGB SLAM管道，旨在从运动模糊输入中恢复清晰的重建，结合帧间和帧对模型的优势，显著提升映射精度和去模糊效果。

本研究解决了现有密集语义SLAM方法在开放集场景中因有限类别预训练分类器和隐式语义表示而导致的性能不足问题。我们提出OpenGS-SLAM框架，通过3D高斯表示和显式语义标签，显著提升了3D对象级场景理解的能力，并实现了10倍更快的语义渲染和2倍更低的存储成本。

该研究解决了低光照条件下视觉SLAM系统面临的挑战，特别是在热成像应用中的局限性。通过引入高效通道注意机制和选择性内核注意机制，研究者开发了DarkSLAM系统，显著提高了姿态准确性和深度估算的可靠性。实验证明，该系统在夜间环境中的定位和三维密集映射能力远超现有方法，具有重要的应用潜力。

本研究针对现有视觉SLAM系统在计算效率与鲁棒环闭处理之间的平衡难题，提出了一种自动课程学习与高效微调相结合的创新方法AutoLoop。该方法通过DDPG代理动态调整训练中的环闭权重，显著降低训练步数，并在多个基准测试上展现出与传统方法相当或更佳的性能。AutoLoop为视觉SLAM系统的快速适应提供了实用解决方案，自动化了传统上需多次手动迭代的权重调优过程。

本研究提出了一种支架式SLAM方法，通过运动外观嵌入和频率正则化金字塔，显著提升了不同相机姿态下的3D图像质量。在TUM RGB-D数据集中，单目相机的映射质量提高了16.76%。

本研究提出了一种高效的多语言推理对齐方法SLAM，旨在解决大型语言模型在多语言推理中的不足。SLAM通过微调多语言性层，显著减少计算资源浪费和灾难性遗忘。实验结果表明，其在10种语言上的表现优于强基线，训练时间减少4.1至11.9倍。

本研究解决了现有SLAM系统在高质量3D渲染中面临的高斯原语冗余、遗忘问题及单目初始化困难等挑战。提出的RP-SLAM方法通过增量映射、动态窗口优化及单目关键帧初始化，提高了地图的一致性和初始化精度，使该方法在实时性和模型紧凑性方面达到了先进水平。此研究的成果在多项实验中证明了其在地图渲染精度上的优势。

本研究提出了DroidSplat SLAM系统，解决了传统SLAM在鲁棒性、速度和准确性之间的权衡，尤其在单目视频场景中表现优异。该系统在消费级GPU上实现了快速推断，追踪和渲染效果良好。

本研究提出了InCrowd-VI数据集，旨在解决拥挤空间中SLAM解决方案开发的困难。该数据集专为室内行人导航设计，提供丰富的场景数据，揭示现有算法在复杂环境中的性能限制，强调SLAM研究在视觉障碍者导航中的重要性。

本研究提出LiMRSF系统，通过混合现实设备实时可视化点云注册，解决室内SLAM中的场景漂移、双墙和盲点问题，从而提升3D模型数据集的质量。

本研究强调环境知识在视觉位置识别中的重要性，提出了一种结合视觉与文本数据的模型，以提升位置识别的准确性和鲁棒性，具有SLAM应用潜力。

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。