计算机工程与应用

作者：周宏兴, 朱文林, 王珍, 李智卿

单位：1.北京化工大学 信息科学与技术学院，北京 100029；2.江西中烟工业有限责任公司 信息中心，南昌 330096；

关键词：计算机视觉,视觉SLAM,深度学习,目标检测,视觉几何,动态目标干扰

基金：国家自然科学基金重点项目（51935005）。

神经辐射场（neural radiance fields, NeRF）技术为计算机图形学和计算机视觉的工程与应用带来了革命性的影响，它提供了一种高精度、高质量的三维场景渲染和重建方法。基于NeRF的SLAM(simultaneous localization and mapping)系统在静态场景中表现优异，具有超越传统密集SLAM的出色渲染质量和场景重建能力。在具有动态干扰的真实世界环境中，它们可能会出现跟踪漂移和映射误差等问题。为了解决这些问题，提出了一个结合语义特征的实时密集动态神经隐式SLAM系统DIDN-SLAM。系统通过整合语义特征和条件分割的稀疏特征点，为跟踪建立了长期的数据关联。系统利用稀疏光流来过滤动态像素，并提出了一种特殊的光线采样策略，以减轻因动态物体遮挡而导致的场景表征干扰。值得一提的是，DIDN-SLAM支持单目、双目和RGB-D输入，并能以20?Hz的频率稳定运行，满足实时应用的需求。在六个虚拟和真实数据集上的实验结果表明，DIDN-SLAM在跟踪和映射性能上均优于最新的先进方法。

来源：2026年第3期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第3期