Neural Implicit Representations in SLAM
神经隐式表征在SLAM中的应用探索
背景和基础知识介绍
经典场景表征
点云：简单直观，但缺少点之间的拓扑关系。
体素：很适合用卷积神经网络处理，但是复杂度很高，为N的3次方。
网格：存起来很简单，有拓扑信息，但不适合实时在线的编辑，在SLAM中很少有用网格这种数据结构。
SDF：隐式表征。
神经隐式表征的早期工作
DeepSDF
核心思想：直接用一个神经网络表示一个场景或者物体的SDF，输入坐标xyz，输出SDF的数值。
缺点：必须从三维的数据中训练，而NeRF可以从2D的观测数据中训练。当时的人们更关注给很好的三维数据，然后从中学习场景的表征，之后用于生成方面的工作。
DeepSDF很适合做物体级别的重建。为了用一个MLP表示很多类型的物体，DeepSDF提出了auto-decoder的方法。
Neural Radiance Field(NeRF)
基于NeRF的RGB-D SLAM
iMAP
Contributions
从SLAM的角度来说，iMAP提出了一种新的范式，它直接用神经隐式表征来表示场景，把建图的过程定义为一个优化的问题，通过优化场景表征，使其最符合系统的2D观测，即图像和深度。
从NeRF的角度来说，iMAP第一次用增量式、在线的方法来训练NeRF。增量式的训练会遇到一些问题，特别是遗忘的问题，iMAP从关键帧选取和active sampling来尝试缓解这个问题。
Volume Rendering Pipeline
Tracking and Mapping Losses
System Overview
KeyFrame Selection
Image Active Sampling
从重投影误差大的地方来选取，使得场景在优化的时候更关注它不能够很好解释的部分，可以缓解遗忘的问题。
NICE-SLAM
Contributions
tiny MLPs
Scene Representation
Co-SLAM
Motivation
System Overview
Volume Rendering and Loss
