- 博客(4)
- 收藏
- 关注
RSS订阅原创 Orbeez-SLAM 论文阅读
一个空间AI，可以通过视觉信号执行复杂的任务，并与人类合作。为了实现这一点，我们需要一个视觉SLAM，它可以很容易地适应新的场景，而不需要预先训练，并实时为下游任务生成密集的地图。由于它们组件的内在限制，以前的基于学习的和非基于学习的视觉 SLAM 都不能满足所有需求。在这项工作中，我们开发了一个名为 Orbeez-SLAM 的视觉 SLAM，它成功地与隐式神经表示和视觉里程计协作以实现我们的目标。此外，OrbeezSLAM 可以与单目相机一起工作，因为它只需要 RGB 输入，这使得它广泛适用于现实世界。
2024-11-25 12:30:48
910
1
原创 Point SLAM论文阅读
本文提出了一种稠密神经即时定位与建图（SLAM）方法，针对RGB-D输入，将神经场景表示的特征锚定在点云内（该点云以输入依赖的数据方式进行迭代）。通过最小化基于RGB-D的重渲染损失，证明Tracking和Mapping都可以通过相同的基于点的神经场景表示实现。与近期将场景特征锚定在稀疏网格中的稠密神经SLAM方法相比，Point SLAM的基于点的方法允许动态调整锚点密度以此适应输入的信息密度。这种策略能够在细节较小的区域减小运行时间和内存，并将更高的点密度分配给需要解析细节的区域。
2024-11-13 11:13:38
1411
1
原创 Point NeRF 论文阅读
Figure 1. Point-NeRF 使用神经 3D 点表示和渲染连续的辐射体积。通过多视图图像的网络,前向推理来预测基于点的辐射场,之后针对每个场景进行优化，最终实现在几十分钟内超过NeRF的重建质量。同时，Point-NeRF利用COLMAP[42]等现成的重建方法，执行点修剪和增长，自动修复这些方法中的孔洞和异常值。像NeRF的体积神经渲染方法，可以重建高质量的场景，但在优化每个场景的时候，需要很长的时间；另一方法，深度多视图方法（MVS)可以通过网络推理快速重建场景几何。
2024-11-11 08:54:04
925
1
原创 NICE SLAM 论文阅读
目前的方法，使用简单的MLP网络，场景表达过于平滑，难以扩展到大场景。NICE SLAM引入分层场景表达（hierarchical scene representation），利用预训练的几何先验优化这类表达，便于扩展到大场景。
2024-10-28 21:14:33
850
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人