Uni-SLAM: Uncertainty-Aware Neural Implicit SLAM for Real-Time Dense Indoor Scene Reconstruction
作者: Shaoxiang Wang, Yaxu Xie, Chun-Peng Chang, Christen Millerdurai, Alain Pagani, Didier Stricker
分类: cs.CV
发布日期: 2024-11-29
备注: Winter Conference on Applications of Computer Vision (WACV 2025)
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
Uni-SLAM：不确定性感知的神经隐式SLAM，用于实时稠密室内场景重建
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 神经隐式SLAM 室内场景重建 不确定性感知 哈希网格 实时性能
📋 核心要点
- 现有稠密视觉SLAM在实时重建室内场景的薄结构时面临挑战，忽略了RGB-D数据质量差异。
- Uni-SLAM提出了一种基于哈希网格的解耦3D空间表示，并引入预测不确定性来优化损失函数。
- 实验表明，Uni-SLAM在跟踪和映射精度上达到SOTA，并在薄结构重建方面显著优于现有方法。
📝 摘要（中文）
神经隐式场最近作为一种强大的多视角表面重建方法而出现，这归功于它们的简单性和最先进的性能。然而，在确保实时性能的同时重建室内场景的薄结构仍然是稠密视觉SLAM系统的一个挑战。先前的方法没有考虑输入RGB-D数据的不同质量，并采用固定频率映射过程来重建场景，这可能导致某些帧中有价值信息的丢失。在本文中，我们提出了Uni-SLAM，一种基于哈希网格的解耦3D空间表示，用于室内重建。我们引入了一种新定义的预测不确定性来重新加权损失函数，以及战略性的局部到全局的Bundle Adjustment。在合成和真实世界数据集上的实验表明，我们的系统实现了最先进的跟踪和映射精度，同时保持了实时性能。它显著优于当前的方法，在Replica数据集上深度L1误差降低了25%，1厘米内的完成率提高了66.86%，反映了对薄结构的更准确重建。
🔬 方法详解
问题定义：现有基于神经隐式场的SLAM方法在重建室内场景时，难以兼顾实时性和薄结构重建的精度。它们通常忽略了输入RGB-D数据的质量差异，并采用固定的频率映射，导致信息损失和重建质量下降。
核心思路：Uni-SLAM的核心思路是利用预测不确定性来指导神经隐式场的学习过程。通过估计每个像素或体素的不确定性，可以动态地调整损失函数的权重，从而更加关注高质量的数据，并减少低质量数据的影响。这种方法能够更有效地利用输入数据，提高重建精度，尤其是在薄结构区域。
技术框架：Uni-SLAM系统包含以下主要模块：1) RGB-D数据输入；2) 位姿跟踪模块，用于估计相机位姿；3) 基于哈希网格的神经隐式场表示，用于存储和更新场景几何信息；4) 不确定性估计模块，用于预测每个像素或体素的不确定性；5) 损失函数加权模块，根据不确定性调整损失函数权重；6) 局部到全局的Bundle Adjustment，用于优化相机位姿和场景几何。
关键创新：Uni-SLAM的关键创新在于引入了预测不确定性来指导神经隐式场的学习。这种不确定性感知的方法能够动态地调整损失函数权重，从而更加关注高质量的数据，并减少低质量数据的影响。此外，Uni-SLAM还采用了局部到全局的Bundle Adjustment，进一步提高了重建精度和一致性。
关键设计：Uni-SLAM使用哈希网格来表示3D空间，每个网格单元存储一个特征向量。不确定性估计模块采用一个小型神经网络，输入RGB-D数据和相机位姿，输出每个像素或体素的不确定性值。损失函数采用深度L1损失，并根据不确定性进行加权。局部到全局的Bundle Adjustment采用迭代优化算法，同时优化相机位姿和哈希网格中的特征向量。
🖼️ 关键图片
📊 实验亮点
Uni-SLAM在Replica数据集上取得了显著的性能提升，深度L1误差降低了25%，1厘米内的完成率提高了66.86%。这些结果表明，Uni-SLAM能够更准确地重建室内场景的薄结构，并优于现有的SLAM方法。此外，Uni-SLAM还保持了实时性能，使其能够应用于实际场景。
🎯 应用场景
Uni-SLAM具有广泛的应用前景，包括机器人导航、虚拟现实、增强现实、三维地图构建等领域。它可以用于构建高精度、实时的室内场景模型，为机器人提供更准确的环境感知，为用户提供更沉浸式的虚拟现实体验。此外，该技术还可以应用于文物保护、建筑设计等领域。
📄 摘要（原文）
Neural implicit fields have recently emerged as a powerful representation method for multi-view surface reconstruction due to their simplicity and state-of-the-art performance. However, reconstructing thin structures of indoor scenes while ensuring real-time performance remains a challenge for dense visual SLAM systems. Previous methods do not consider varying quality of input RGB-D data and employ fixed-frequency mapping process to reconstruct the scene, which could result in the loss of valuable information in some frames. In this paper, we propose Uni-SLAM, a decoupled 3D spatial representation based on hash grids for indoor reconstruction. We introduce a novel defined predictive uncertainty to reweight the loss function, along with strategic local-to-global bundle adjustment. Experiments on synthetic and real-world datasets demonstrate that our system achieves state-of-the-art tracking and mapping accuracy while maintaining real-time performance. It significantly improves over current methods with a 25% reduction in depth L1 error and a 66.86% completion rate within 1 cm on the Replica dataset, reflecting a more accurate reconstruction of thin structures. Project page: https://shaoxiang777.github.io/project/uni-slam/