ICCV2023开源！UncLe-SLAM：稠密神经辐射场SLAM的不确定性学习

作者：大森林 | 来源：3DCV

在公众号「3DCV」后台，回复「原论文」可获取论文pdf

笔者总结

本文提出了一种名为UncLe-SLAM的方法，实现了在密集神经SLAM中对深度不确定性进行建模。传统的密集SLAM方法没有考虑到传感器噪声的影响，而是将所有像素都视为同等重要的，这可能导致SLAM的效果不佳。为了解决这个问题，本文设计了一种在线框架，可以利用2D输入数据的自监督训练来估计传感器的不确定性。通过对深度输入进行像素级的不确定性估计，本文可以对跟踪和建图损失进行重新加权，从而使得含有更可信信息的图像区域对SLAM的贡献更大。本文还探讨了不确定性学习在多传感器输入情况下的优势，并展示了该方法在建图和跟踪精度方面相比现有的神经隐式SLAM方法的改善。实验结果表明，该方法可以实现更低的轨迹跟踪误差和更高的F1分数。该方法与传感器类型无关，不需要真实的深度或3D数据作为输入。总之，本文介绍了一种在密集神经SLAM中建模深度不确定性的鲁棒且准确的方法，并且可以与现有的SLAM系统集成。

原文链接：ICCV2023开源！UncLe-SLAM：稠密神经辐射场SLAM的不确定性学习