参考文章链接

标题: Vox-Fusion: Dense Tracking and Mapping with Voxel-based Neural Implicit Representation

作者：Xingrui Yang， Hai Li1， Hongjia Zhai， Yuhang Ming， Yuqian Liu， Guofeng Zhang

来源：ISMAR 2022

摘要

在本文中，我们提出了一个稠密的跟踪和建图系统Vox-Fusion，它将神经隐式表示法与传统的体积融合方法无缝地融合在一起。我们的方法是受到最近开发的隐式地图和定位系统的启发，并进一步扩展了这一想法，使其可以自由地应用于实际场景。具体地说，我们利用基于体素的神经隐式表面表示来编码和优化每个体素内的场景。此外，我们采用了基于八叉树的场景划分结构，并支持动态扩展，使我们的系统能够跟踪和映射任意场景，而不需要像以前的工作那样需要知道环境。此外，我们还提出了一种高性能的多进程框架来加速该方法，从而支持一些需要实时性能的应用。评估结果表明，与以往的方法相比，该方法具有更高的准确率和完备性。我们还展示了我们的Vox-Fusion可用于增强现实和虚拟现实应用。https://github.com/zju3dv/Vox-Fusion

主要贡献

综上所述，我们的贡献如下:

1.我们提出了一种用于实时隐式跟踪和建图的新型融合系统。我们的Vox-Fusion结合了由显式八叉树索引的体素嵌入和神经隐式网络来实现具有足够细节的可伸缩隐式场景重建。

2.结果表明，与现有的SOTA系统相比，通过直接绘制带符号距离体，我们的系统在没有性能开销的情况下提供了更好的跟踪精度和重建质量。

3.我们提出了一种基于比率测试和信息增益度量的快速高效的关键帧选择策略，更适合于大尺寸地图的维护。

4.我们在合成场景和真实场景上进行了大量的实验，证明了所提出的方法能够产生高质量的3D重建，这可以直接惠及许多AR应用。