CVPR 2023
Co-SLAM: Joint Coordinate and Sparse Parametric Encodings for Neural Real-Time SLAM
input： RGB-D
contribution：
1.场景表示：多分辨率哈希网格（加速&保留高频特征）
2.编码方式：one-blob（提升未观察到区域的补全能力和一致性）编码方式根据场景表示（hash网格）制定
3.改进关键帧：支持在所有关键帧上执行BA
Related Work
iMap：由于实时性的要求，iMap使用系数采样和减少迭代次数提升效率，造成丢失高频细节&增大误差。
场景表示：如八叉树、哈希/体素网格等虽然可以提升效率，但缺乏MLP固有的平滑性和一致性先验，导致无法填补未观察到区域的空洞。如Nice-SLAM不能填补空洞，导致相机位姿出现漂移。
总体流程：
1)场景表示：联合坐标+参数编码-------MLP---------->RGB和SDF
2)tracking：最小化损失函数优化pose
3)mapping：从所有帧采样的全局射线进行全局BA，联合优化map&pose
