深度学习相机重定位中的不确定性建模
本文介绍了一种使用循环模型进行短视频聚合并实现相机定位的方法。通过考虑短视频的时间平滑性,不仅可以使位姿估计更加平滑,还可以显著降低相机定位误差,并提出了一种从该模型中获得概率位姿估计的方法。我们在实际的自动驾驶和室内定位数据集上进行了评估。
Feb, 2017
本文提出了一种基于深度学习的摄像机再定位方法,通过卷积神经网络检索相似的数据库图像,并预测查询图像与数据库图像之间的相对姿态,使用 RANSAC 算法进行相对平移估计,并使用第二个 RANSAC 方案将相对姿态融合;此外,作者提出了一个涵盖 5 种不同场景的挑战性室内定位数据集,并在标准的 7 Scenes 测试基准上对方法进行了评估,结果表明该方法适用于之前未见过的场景,并与其他基于 CNN 的最新方法相比效果优异。
Jul, 2017
本文提出了一种基于神经网络的视觉相机重定位算法,名为 CoordiNet,该算法能够从单张图片中直接预测相机的姿态并提供姿态的不确定性估计。在大型基准数据集上的测试结果表明,该方法在自动驾驶车辆应用中具有很高的精度和实时性。
Mar, 2021
我们提出了一种多模式相机重新定位框架,使用连续混合模型定义在相机位置流形上的模糊不确定性,解决了复杂环境下相机位置回归的局限性,并在新数据集上进行了全面的评估。
Apr, 2020
本文提出了一种改进的方法来解决摄像机位姿估计问题,利用回归森林对场景中的关键点进行对应,采用几何方法评分并选择最有前途的假设,使用多个快速但不精确的重新定位器级联,调整参数以实现有效的性能,实现了重定位性能的显着提升。
Oct, 2018
本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题,通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是,网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何,甚至在没有利用场景 3D 模型的情况下,也能比现有技术更优秀。
Nov, 2017
RobustLoc 是一个用于自动驾驶中的相机重定位系统,它使用神经微分方程进行信息扩散和卷积神经网络从多视角图像中提取特征图,同时配备多层训练的分支位姿解码器。使用 RobustLoc 可以在各种环境下实现相机的鲁棒定位。
Nov, 2022
从单个图像中估计相对于全局框架的六自由度相机姿态的问题,我们提出了一种利用相对空间和时间几何约束的新颖网络来引导定位的深度网络的训练方法。利用相邻相机帧和场景中时空距离较远的相机帧获得的空间和时间相对姿态约束,我们的方法能够学习到在只有少量或非常稀疏的地面真实 3D 坐标可用的情况下进行定位。我们在三个常见的视觉定位数据集上评估了我们的方法,并证明其优于其他直接姿态估计方法。
Dec, 2023
提出了一种新颖的单目定位框架,通过联合训练基于深度预测的深度学习和基于贝叶斯滤波的姿态推理,能够显著改进模型可伸缩性和环境变化的容忍度,即使深度预测非常差,也能保持高精度的姿态准确性,并且相对于标准的深度学习具有更高的光照变化下的姿态准确性。
Oct, 2022