对于低动态场景，对slam特征点影响效果不大
1、重建透明物体
Gaussian Splatting SLAM
2、我们以视觉里程测量问题为例，找出了三个可能的原因：(1) 流量损失干扰；(2) 束调整 (BA) 层的线性化错误；(3) 权重梯度对 BA 残差的依赖性
3、大型室内场景和长序列时
所面临的主要挑战： a) 场景表示能力不足： 现有方法采用固定容量的全局模型，限制了对更大场景和更长视频序列的可扩展性： 由于误差的累积，现有方法在大型室内场景中难以保证准确性和鲁棒性。
PLGSLAM: Progressive Neural Scene Represenation with Local to Global Bundle Adjustment
4、由摄像机运动和场景结构引起的物体之间的遮挡关系
Occ2Net: Robust Image Matching Based on 3D Occupancy Estimation for Occluded Regions
5、针对透明物体进行slam
Transfusion: A Novel SLAM Method Focused on Transparent Objects
6、黑暗场景下的slam
弱光
Matching in the Dark: A Dataset for Matching Image Pairs of Low-light Scenes
7、眼球运动
R-SLAM: Optimizing Eye Tracking from Rolling Shutter Video of the Retina

8、动态场景
RLD-SLAM: A robust lightweight VI-SLAM for dynamic environments leveraging semantics and motion information

RGB-D SLAM in dynamic environments using point correlations

ONeK-SLAM: A Robust Object-level Dense SLAM Based on Joint Neural Radiance Fields and Keypoints

动态汇总The importance of coordinate frames in dynamic SLAM

9、无纹理/低纹理环境
MAVIS: Multi-camera augmented visual-inertial SLAM using SE2(3) based exact IMU pre-integration

Unifying Local and Global Multimodal Features for Place Recognition in Aliased and Low-Texture Environments

10、重复环境中经常遭受感知混乱的问题，其中不同位置的场景被错误地识别为相同的
回环检测里面
Resolving Loop Closure Confusion in Repetitive Environments for Visual SLAM through AI Foundation Models Assistance
用于常见的重复环境，如办公楼、图书馆和仓库

11、室内场景
它利用大型语言模型（LLM）的开放词汇特性来创建场景理解和位置识别的统一方法
结合语义
Language-EXtended Indoor SLAM (LEXIS): A Versatile System for Real-time Visual Scene Understanding

12、水下slam
Enhancing Visual Inertial SLAM with Magnetic Measurements

SVIn2: a multi-sensor fusion-based underwater SLAM system

Tightly-Coupled Visual-DVL Fusion For Accurate Localization of Underwater Robots

13、管道内部slam
Visual-Inertial-Laser-Lidar (VILL) SLAM: Real-time Dense RGB-D Mapping for Pipe Environments
14、城市结构
城市结构中的线条信息可作为额外的几何特征加以利用，从而在无纹理场景中实现基于视觉的鲁棒性同步定位和绘图（SLAM）系统
Enhancing robustness of line tracking through semi-dense epipolar search in line-based SLAM

15、语义判断退化的程度

本文的主要贡献可以概括为以下几个部分：1.我们设计了一个语义增强的激光雷达-视觉里程计融合框架SELVO，它包括VO、LO和闭环因子。我们创新性地利用语义信息来判断场景的退化程度，从而动态调整融合框架中不同因素的权重。2.我们提出了一种新颖的SSC计算方法，以避免过度里程漂移导致闭环检测失败，并缩小候选闭环帧的范围以减少配准计算负担。3.我们评估了不同场景下的最终里程精度，包括高速公路和城市道路。我们还将我们提出的方法与一些最先进的方法进行了比较，以证明其性能。

16、回声与视觉融合
我们提出了一种使用廉价且容易获得的数据声音模式来估计可见区域以外区域的地图的方法。我们介绍了主动视听映射代理的概念。
Learning to Map Efficiently by Active Echolocation