NeRF-LOAM
NeRF-LOAM 將 LiDAR 里程計與建圖都建立在稀疏八元樹體素嵌入加上共用解碼器的神經 SDF 上，以 SDF 誤差對位姿做梯度下降，並把地面與非地面點分開以抑制 Z 方向漂移。最後以關鍵掃描緩衝區精修地圖與位姿，再用 marching cubes 輸出網格。作者承認目前無法即時且沒有迴圈閉合。
本頁內容
LiDAR odometry and mapping on a neural SDF in sparse octree voxels, optimizing poses and embeddings jointly, then meshing.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 3D LiDAR (MaiCity: noise-free synthetic 64-beam scans; Newer College: hand-carried LiDAR; KITTI; sensor models not named in the paper) |
|---|---|
| 原文測試平台 | vehicle、handheld、simulation |
| 狀態估計 | gradient descent on SE(3) (Lie algebra) minimizing the SDF loss against the current implicit map, initialised by a constant motion model; the shared MLP is frozen after the first K scans to limit catastrophic forgetting; neural mapping jointly optimizes voxel embeddings and fine-tunes poses; final key-scan refinement of map and poses |
| 資料關聯 | neural SDF with ground/non-ground separation of LiDAR points to limit Z drift |
| 時間表示 | discrete poses |
| 去畸變 | 原文未報告 (Newer College used 'with motion distortion'; no deskewing described in sections read) |
| 迴圈閉合 | none (planned future work) |
| 全域最佳化 | key-scan buffer refinement of map and poses at the end (not loop-based) |
| 地圖表示 | sparse octree voxels with neural embeddings and a shared 2-layer MLP decoding SDF |
| 先驗資訊 | none (pre-training free) |
| 可輸出幾何 | dense mesh via marching cubes + refined scan poses |
| 計算需求 | tested on an Intel Xeon CPU at 2.1 GHz with an NVIDIA Titan RTX (24 GB) (Sec. 5.5); not real-time with the unoptimized Python implementation, the ray and map intersection query being the bottleneck (Sec. 6); （Pan et al., 2024） Table XVI reports 4.43 s per frame (0.2 Hz) on an NVIDIA A4000 over KITTI 00-10 |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| LiDAR | 64-beam LiDAR (simulated, noise-free) | 資料集感測器 | MaiCity | synthetic scans with a provided ground-truth map | (Deng et al., 2023, Sec. 5.1) |
| LiDAR | 原文未報告 (hand-carried LiDAR) | 資料集感測器 | Newer College | hand-carried sequence at Oxford University with motion distortion; ground-truth trajectories and mesh provided by the dataset | (Deng et al., 2023, Sec. 5.1) |
| 運算硬體 | Intel Xeon CPU (2.1 GHz) | 執行運算平台 | 未標示 | used for the voxel-size, processing-time and memory study | (Deng et al., 2023, Sec. 5.5) |
| 運算硬體 | NVIDIA Titan RTX (24 GB) | 執行運算平台 | 未標示 | 24 GB memory | (Deng et al., 2023, Sec. 5.5) |
作者報告的優勢與限制
優勢
- Higher-quality mesh maps than learning-based and classical baselines on MaiCity and Newer College (Sec. 5.2; Sec. 6)
- No pre-training required (abstract)
限制
- Not real-time; ray-map intersection is the bottleneck (Sec. 6)
- No loop closure (Sec. 6)
- Follow-up （Pan et al., 2024） reports processing time growing with the number of scans (PIN-SLAM Sec. V-F2)
- On KITTI sequences with loops the method cannot keep a consistent global map; loops cause overlapping meshes (Supp. A, Fig. 15; Supp. D)
- Without ground separation the odometry fails on Newer College (Table 4)
營建工程相關證據
論文未在營建場域測試；資料為 MaiCity（合成）、Newer College（手持）、KITTI（車載）。
原文驗證環境：模擬、公開基準、獨立參考量測
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 9 個比較組，合計 78 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 5 組列在最後，並連到性能比較頁。
Xiao et al., 2025 · Table II 本方法 18 筆
表格設定（擷取紀錄原文）：Tracking accuracy with rpg trajectory evaluation: t_rel = average translational RMSE drift (%), r_rel = average rotational RMSE drift (deg/100 m), t_abs = ATE RMSE (m); reference trajectories from R3LIVE (not an independent measurement); alignment not stated; IMU not used by LiV-GS; '-' entries reported without explanation (text says indoor-oriented 3DGS SLAM methods degrade or fail on some outdoor sequences) (Xiao et al., 2025, Table II)
t_rel (average translational RMSE drift)，NTU4DRadLM · cp
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
- 未報告（沒有數值，不是 0）
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Xiao et al., 2025 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Xiao et al., 2025, Table II)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| NeRF-LOAM本方法 | 2.943% | (Xiao et al., 2025, Table II) |
| HDL-graph-SLAM | 1.264% | (Xiao et al., 2025, Table II) |
| ORB-SLAM3 | 1.356% | (Xiao et al., 2025, Table II) |
| SplaTAM | 無數值未報告註記（擷取紀錄）：not reported ('-' in table) | (Xiao et al., 2025, Table II) |
| MonoGS | 4.171% | (Xiao et al., 2025, Table II) |
| Gaussian-SLAM | 1.249% | (Xiao et al., 2025, Table II) |
| GS-ICP-SLAM | 5.471% | (Xiao et al., 2025, Table II) |
| Ours原文提出 | 0.234% | (Xiao et al., 2025, Table II) |
Deng et al., 2023 · Table 1 本方法 16 筆
表格設定（擷取紀錄原文）：Simultaneous odometry and mapping; SHINE-Mapping and VDBFusion are fed KISS-ICP poses, NeRF-LOAM is shown with KISS-ICP poses and with its own odometry, Puma uses its own odometry; same voxel size for all; Newer College uses one of every five scans; accuracy, completion and Chamfer-L1 units not stated here (the same Newer College values are labelled cm in PIN-SLAM Table XI) (Deng et al., 2023, Table 1)
Map. Acc.，MaiCity
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Deng et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Deng et al., 2023, Table 1)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| SHINE [50] with KissICP poses | 5.75 | (Deng et al., 2023, Table 1) |
| Vdbfusion [37] with KissICP poses | 4.95 | (Deng et al., 2023, Table 1) |
| Ours with KissICP poses本方法原文提出 | 4.16 | (Deng et al., 2023, Table 1) |
| Puma [36] with own odometry | 7.89 | (Deng et al., 2023, Table 1) |
| Ours with own odometry本方法原文提出 | 5.69 | (Deng et al., 2023, Table 1) |
Deng et al., 2023 · Table 5 本方法 16 筆
表格設定（擷取紀錄原文）：Supplementary KITTI odometry, average translational (%) and rotational (deg/100 m) errors over 100 to 800 m subsequences; '*' marks results on training sequences of learning methods, '-' not provided (Deng et al., 2023, Table 5)
t_rel (average translational RMSE, %)，KITTI odometry · 09
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
- 未報告（沒有數值，不是 0）
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Deng et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Deng et al., 2023, Table 5)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| ICP-po2po [3] | 6.93% | (Deng et al., 2023, Supp. Table 5) |
| ICP-po2pl [30] | 3.95% | (Deng et al., 2023, Supp. Table 5) |
| GICP [31] | 1.97% | (Deng et al., 2023, Supp. Table 5) |
| SUMA [2] | 1.92% | (Deng et al., 2023, Supp. Table 5) |
| PUMA(NN) [36] | 1.8% | (Deng et al., 2023, Supp. Table 5) |
| PUMA(RC) [36] | 1.51% | (Deng et al., 2023, Supp. Table 5) |
| DeLORA [26] | 9.07% | (Deng et al., 2023, Supp. Table 5) |
| DeepPCO [41] | 無數值未報告註記（擷取紀錄）：原文未報告 ('-' in table) | (Deng et al., 2023, Supp. Table 5) |
| LONet [15] | 1.37% | (Deng et al., 2023, Supp. Table 5) |
| PWCLONet [39] | 0.79% | (Deng et al., 2023, Supp. Table 5) |
| Ours本方法原文提出 | 1.63% | (Deng et al., 2023, Supp. Table 5) |
Deng et al., 2023 · Table 2 本方法 8 筆
表格設定（擷取紀錄原文）：Mapping quality with ground-truth poses for all methods (pure mapping ability); voxel size 20 cm; caption states F-score in % with a 10 cm threshold (Deng et al., 2023, Table 2)
Map. Acc.，MaiCity
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Deng et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Deng et al., 2023, Table 2)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| SHINE [50] with GT pose | 4.17 | (Deng et al., 2023, Table 2) |
| Vdbfusion [37] with GT pose | 4.12 | (Deng et al., 2023, Table 2) |
| Ours with GT pose本方法原文提出 | 3.15 | (Deng et al., 2023, Table 2) |
其他比較組
來源
Deng et al., 2023
（2023）NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping2023 IEEE/CVF International Conference on Computer Vision (ICCV), pp. 8184-8193
DOI 10.1109/iccv51070.2023.00755arXiv 2303.10709程式碼
同儕審查已出版已讀全文近十年查證後修正
相關版本
- 預印本：arXiv:2303.10709 https://arxiv.org/abs/2303.10709
程式碼：https://github.com/JunyuanDeng/NeRF-LOAM（授權：MIT）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。