Description：GO-SLAM 论文笔记 (读 arXiv 全文后所写) — DROID 稠密 BA + 全局回环/全局 BA + Instant-NGP(哈希编码 + 隐式 SDF) 即时更新地图的神经隐式 SLAM，强调全局一致
Paper：Zhang, Y. [Youmin], Tosi, F., Mattoccia, S., & Poggi, M. (2023). GO-SLAM: Global Optimization for Consistent 3D Instant Reconstruction. ICCV 2023. arXiv:2309.02436
K2E-B ID：[K2E-B-G5-6]
Max3 PDF：[K2E] SLAM/[K2E-B-G] Geometry & Rendering/[K2E-B-G5] NeRF SLAM/[K2E-B-G5-6][2023] GO-SLAM Global Optimization for Consistent 3D Instant Reconstruction.pdf
Notion ID：(待创建)
Created：2024-03-31
Updated：2026-06-02
License：转载欢迎 — 请署名 Yu Zhang 并链回 yuzhang.io 原文

1. 概述

GO-SLAM (Zhang et al. 2023, 博洛尼亚大学, ICCV) — 神经隐式 SLAM，核心是全局一致 (global consistency)：在 DROID-SLAM 稠密 BA 基础上加回环检测 + 全局 BA，并让 Instant-NGP 隐式 SDF 地图随位姿全局更新即时重建。

解决前作 (iMAP/NICE-SLAM/Vox-Fusion) 痛点：无回环 → 长轨迹漂移累积，地图不一致。支持单目 / 双目 / RGB-D。

DROID-SLAM 见 Deep VO 系列；Instant-NGP 见 Instant-NGP (G6-2)。本笔记读 arXiv 全文。

2. 三线程架构

前端跟踪 (DROID 风格)：基于 RAFT 的循环更新算子（光流作内部几何代理）→ 帧图 (frame graph) → 局部稠密 BA 出位姿 + 视差/深度；含关键帧初始化 + 回环检测
后端跟踪 (全局 BA)：在整个 frame graph 上做全局 BA，全局校正所有关键帧位姿与深度
即时建图：Instant-NGP(多分辨率哈希编码 + SDF)，订阅最新全局位姿，实时重新对齐重建

3. 全局优化 — 回环 + 全局 BA

回环检测 (前端线程)：用关键帧间平均刚性光流衡量共视，均值小于阈值 $\tau_{co}$ (=25) 为回环候选 → 建边，发现长期闭环
全局 BA：在整个 frame graph 上做稠密 BA (不只滑窗)，把闭环误差均摊回全轨迹 → 消漂移
关键：全局 BA 改变历史位姿后，地图必须同步更新 (否则旧位姿建的几何错位)

4. 即时隐式 SDF 建图

用 Instant-NGP 多分辨率哈希编码预测隐式 SDF $\Phi(x)$ + 颜色 (NeuS 式 SDF 体渲染；见 Instant-NGP)
监听后端全局位姿变化 → 地图在线重新对齐而非重训
实现 "全局 BA 改位姿 ↔ 隐式 SDF 地图即时跟随" 的一致重建，实时运行

5. 对比

	NICE-SLAM / Vox-Fusion	GO-SLAM
回环/全局 BA	无 (纯增量)	有 (核心卖点)
跟踪	RGB-D 隐式优化	DROID 稠密 BA (单/双/RGB-D)
长轨迹一致性	漂移累积	全局校正，一致
建图后端	特征网格 / 体素 SDF	Instant-NGP(哈希编码 + 隐式 SDF)，随位姿即时更新

GO-SLAM 把经典 SLAM 的全局优化 (回环 + 全局 BA) 引入神经隐式重建，是该方向"全局一致"的代表作。

References