3DCV

在本文中，我们全面调查了该领域的研究工作，并努力对相关工作提供简洁而完整的回顾。简要介绍了SLAM中状态估计器的构成，并给出了不同多传感器融合算法的最新算法。

本文提出了一种基于神经表示的SLAM方法，通过引入语义信息和图像特征，提高了定位和重建的准确性和鲁棒性。同时，该方法还能实现场景的语义分割，为后续的任务提供了更丰富的信息。

Spla TAM是一种用于稠密RGB-D SLAM的新型系统。它使用3D高斯散列表示法实现密集的SLAM系统。

Swarm-SLAM，这是一种开源C-SLAM系统，其设计具有可扩展性、灵活性、分散性和稀疏性，这些都是群体机器人技术的关键特性。

ShapeGPT，这是一个包含形状的多模态生成模型，通过指令来支持多种与形状相关的任务。这个模型可以丰富虚拟建设、游戏、网络辅助设计和3D打印等领域的应用。

E2PNet，这是第一个基于学习的事件到点云准配方法。E2PNet 的核心是一种称为事件点到张量（EP2T）的新型特征表示网络，它将事件数据编码为二维网格状特征张量。

我们提出了一种新的联合表示对齐方法，通过创建图像和点云的组合表示来丰富传统的三模态表示，从而更准确地描述真实世界的3D对象，并增强文本对齐。

本文提出了一种基于深度学习方法的高鲁棒性特征提取方法。首先，设计了形状编码结构光图案。由一系列水平和垂直线形成的网格点被指定为编码特征点。然后，利用著名的U-net网络来检测网格特征点的位置。

该方法利用视觉触觉传感器提供的丰富信息，以及隐式神经表示DeepSDF的表达能力，从多个接触点预测连续的signed-distance function (SDF)，表示物体的形状。