NID-SLAM¶

Idea¶

• 神经隐式 SLAM + 动态环境
• 动态物体去除：
  • 深度修正：计算深度图的图像梯度，当图像的水平或垂直梯度超过阈值时，将梯度方向上后续像素点的深度置为 0
  • 基于深度的语义分割：采用基于边界框的网络（YOLO）进行输入图像的语义分割，输出为潜在动态或可移动物体的二进制掩码
  • 背景修复：使用以前的视点获得的静态信息修复被遮挡的背景
• 关键帧选择策略：两种选择策略
  • 动态物体比率较低的帧（覆盖策略）：倾向于覆盖最大场景区域的帧，确保场景边缘区域的全面优化）
  • 当前帧与前一关键帧重叠率较低的帧（重叠策略）：倾向于从与当前帧视觉上重叠的关键帧随机选择
  • 两个比率的加权和小于阈值则插入关键帧集合
  • 静态场景默认使用重叠策略
  • 为避免过度关注边缘区域并反复优化相同区域，我们首先使用基于覆盖的策略优化整个场景，然后多次使用基于重叠的策略，重复多次
• 场景表示和图形渲染

Experiments¶