摘要

最近，神經隱含表征在各個領域顯示出令人鼓舞的結果，包括在同步定位和映射（SLAM）方面取得的可喜進展。然而，現有的方法產生了過度平滑的場景重建，并且難以擴展到大場景。這些限制主要是由于其簡單的全連接網絡結構，沒有將局部信息納入觀察范圍。

在本文中，我們提出了NICE-SLAM，這是一個密集的SLAM系統，通過引入分層的場景表示，納入了多層次的本地信息。用預先訓練好的幾何先驗來優化這個表示，可以在大的室內場景中進行詳細的重建。與最近的神經隱含SLAM系統相比，我們的方法更具可擴展性、效率和魯棒性。在五個具有挑戰性的數據集上進行的實驗表明，NICE-SLAM在映射和跟蹤質量方面都具有競爭力。

主要貢獻

我們提出了NICE-SLAM，一個密集的RGB-DSLAM系統，它具有實時性、可擴展性、預測性和對各種挑戰性場景的魯棒性。

NICE-SLAM的核心是一個分層的、基于網格的神經隱式編碼。與全局神經場景編碼相比，這種表示法允許局部更新，這是大規模方法的一個先決條件。

我們在各種數據集上進行了廣泛的評估，證明了在映射和跟蹤方面具有競爭力的性能。

主要方法

我們的方法將RGB-D圖像流作為輸入，并以分層特征網格的形式輸出攝像機的姿勢和學習到的場景表示。從右到左，我們的管道可以被解釋為一個生成模型，它根據給定的場景表示和攝像機姿勢渲染深度和顏色圖像。在測試時，我們通過逆向傳播圖像和深度重建損失來解決逆向問題，并通過可區分的渲染器（從左到右）來估計場景表現和攝像機的姿勢。

這兩個實體都是在交替優化中估計的。映射：逆傳播只更新層次化的場景表示。跟蹤：逆傳播只更新攝像機的姿態。為了提高可讀性，我們將用于幾何編碼的細尺度網格與同等大小的顏色網格結合起來，并將它們顯示為具有兩個屬性（紅色和橙色）的一個網格。

1. 層次化的場景表示

現在我們介紹一下我們的分層場景表示，它結合了多級網格特征和預訓練的解碼器，用于占用率預測。幾何圖形被編碼成三個特征網格j l θ和它們相應的MLP解碼器f l，其中l∈{0，1，2}是指粗、中、細三級場景細節。此外，我們還有一個單一的特征網格ψω和解碼器gω來模擬場景外觀。這里θ和ω表示幾何和顏色的可優化參數，即網格中的特征和顏色解碼器中的權重。

2. 深度和色彩渲染

給定相機的固有參數和當前相機的姿勢，我們可以計算出一個像素坐標的觀察方向r。我們首先沿著這條射線對Nstrat點進行分層采樣，同時對靠近深度的Nimp點進行均勻采樣1。

我們對每條射線總共取樣N=Nstrat+Nimp點。更正式地說，讓pi = o + dir, i∈ {1, - -, N}表示給定攝像機原點o的射線r上的采樣點，di對應于pi沿該射線的深度值。對于每一個點pi，我們可以計算出它們的粗粒度占用概率o0 pi，細粒度占用概率opi，和顏色值cpi。

最后，對于每條射線，在粗略和精細層面的深度，以及顏色可以被呈現為：

3. 建圖和跟蹤

建圖。

為了優化上文提到的場景表示，我們從當前幀和選定的關鍵幀中均勻地取樣共M個像素。接下來，我們以分階段的方式進行優化，以最小化幾何和光度損失。

幾何損失僅僅是觀測值和預測深度之間的L1損失，在粗略的或精細的水平上為：

光度損失為：

相機跟蹤。

除了優化場景表示外，我們還平行運行攝像機跟蹤，以優化當前幀的攝像機姿勢，即旋轉和平移{R，t}。為此，我們對當前幀中的Mt像素進行采樣，并應用上面相同的光度損失，但使用一個修改過的幾何損失：

修改后的損失在重建的幾何形狀中減少了某些區域的權重，例如物體的邊緣。攝像機跟蹤最終被表述為以下最小化問題：

4. 關鍵幀的選擇 與其他SLAM系統類似

我們用一組選定的關鍵幀不斷優化我們的分層場景表示。我們按照iMAP的方法維護一個全局關鍵幀列表，我們根據信息增益逐步添加新的關鍵幀。然而，與iMAP相比，我們在優化場景幾何時只包括與當前幀有視覺重疊的關鍵幀。這是可能的，因為我們能夠對我們的基于網格的表示進行局部更新，而且我們不會像iMap那樣存在關鍵幀消失的問題。

這種關鍵幀選擇策略不僅確保了當前視圖之外的幾何形狀保持靜態，而且還導致了一個非常有效的優化問題，因為我們每次只優化必要的參數。在實踐中，我們首先隨機地對像素進行采樣，并使用優化后的相機姿勢對相應的深度進行反投影。

然后，我們將點云投影到全局關鍵幀列表中的每個關鍵幀。從這些有點投射到的關鍵幀中，我們隨機選擇K-2幀。此外，我們還將最近的關鍵幀和當前的幀包括在場景表示優化中，形成總共K個活動幀。

主要結果

審核編輯：劉清