直接稀疏里程计
本文提出了一种新的单目直接视觉里程计方法,该方法利用了卷帘快门模型,通过直接稀疏里程计来对一组最近的关键帧姿态和少量图像点进行捆绑调整,估计每个关键帧的速度并强加一个恒定速度先验性,以此获得准实时且精确的直接 VO 方法,在具有挑战性的卷帘快门序列上取得了比最先进的全局快门 VO 更好的结果。
Aug, 2018
本研究提出 VI-DSO,一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法,通过最小化组合能量函数中的光度和 IMU 测量误差来进行优化,在 EuRoC 数据集上得到了比现有技术更好的效果。
Apr, 2018
通过利用深度单目深度预测来改进单目视觉里程计,利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry(DSO)相结合,关键考虑半监督学习,并在 KITTI 基准测试中超越其他的方法,实现了与基于立体相机的方法相当的性能。
Jul, 2018
本研究提出了一种结合点和边的视觉里程计算法,利用概率框架同时最小化光度误差和匹配边缘的几何误差来恢复相机位姿,并在纹理稀疏的环境中表现出比现有单目里程表算法更好的性能。在多个公开数据集上,本算法实现了与最先进的单目里程表方法相媲美的性能。
Mar, 2017
提出了立体直接稀疏测距(Stereo DSO)作为一种新的方法,用于从立体相机中高精度实时估计大型环境的视觉测距,尤其是通过采样图像区域中具有足够强度梯度的像素实现实时优化和固定基线三维重建。
Aug, 2017
提出了一个包含 50 个具有独特多样性的现实中场景的数据集,用于评估单目视觉里程计和 SLAM 方法的跟踪精度,并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法,该研究详细评估了两种现有方法(ORB-SLAM 和 DSO)在该数据集上的效果。
Jul, 2016
通过建立事件的生成模型来解决映射和相机姿态跟踪的问题,并提出提高事件边缘像素采样效率以及结合时间立体结果和静态立体结果来改善映射性能,同时通过引入陀螺仪测量作为先验来解决相机姿态跟踪中的退化问题,通过公开数据集的实验证明了改进的方法的有效性。
May, 2024
本文介绍了一种在直接稀疏视觉里结合使用视觉显著性和场景分析新方法,命名为 SalientDSO,并通过 CVL-UMD 数据集进行了定量和定性比较,超越了 DSO 和 ORB-SLAM 这两种最先进的方法。这是首次使用视觉显著性和场景分析来驱动直接 VO 的特征选择。
Feb, 2018
本文提出一种改进的半直接视觉里程计 (Semi-direct Visual Odometry) 方法,利用单张图片进行深度预测,并将预测的深度值初始化到特征点。通过降低深度不确定性,实现视图之间稳定的特征对应,以及更快的真实深度估计。实验结果表明,改进后的方法在 KITTI 和 Oxford Robotcar 数据集上的跟踪精度和鲁棒性都有所提高。
Oct, 2018
本文提出了 Direct Sparse Odometry (DSO) 的扩展,用于具有循环闭合检测和位姿图优化(LDSO)的单目视觉 SLAM 系统,保留了 DSO 的健壮性,并通过优化来减少旋转、平移和尺度漂移的影响。
Aug, 2018