神经辐射场最近在密集同时定位和地图构建(SLAM)上取得显著的进展，然而在相机跟踪和重建过程中会累积跟踪误差。为此提出一种基于深度学习的密集视觉SLAM方法，用于全局优化姿态和场景模型，首先通过构建关键帧图执行回环闭合优化，再利用逐步构建的全局像素点集执行全局BA优化。这些优化通过利用输入帧完整的历史学习全局几何来进行优化，同时更新隐式的连续曲面表示，以确保三维重建的全局一致性。在各种合成和真实世界数据集上的结果表明，其在跟踪鲁棒性和场景重建方面优于基线，重建场景对比基线更加接近于真实场景，对比NICE-SLAM的轨迹误差，在Replica数据集上平均提升80.0%,在TUM RGB-D数据集上平均提升43.2%。