Mar, 2018

深度相机下快速圆柱和平面提取，用于视觉里程计

PDF
TL;DRCAPE 是一种从有序点云中提取平面和圆柱体的方法，并在单个 CPU 内核上以平均每秒 300 赫兹的速度处理 640x480 深度图像。该方法与最先进的平面提取相比，具有更为一致的延迟，速度快 4-10 倍。同时，在用于视觉里程计中，使用 CAPE 提高了对由圆柱面构成的场景（例如隧道）的轨迹估计，而使用不具备曲线感知能力的平面提取方法，则会降低性能。
capeorganized point cloudsplane extractioncylinder segmentsvisual odometry
发现论文，激发创造
  • RGB-D 里程计中噪点和平面的概率组合

    该文提出了一种基于深度相机的视觉里程测量方法，通过提取几何基元，将噪声层中的点和平面元素结合起来。实验结果表明，该方法能够在纹理较差的环境中表现良好，其中基于点的里程测量容易出现失败。

    May, 2017

  • 多角度三维物体检测的相机视角位置嵌入

    本文提出了一种基于相机视图位置编码（CAPE）的方法，旨在解决基于查询的多视图 3D 目标检测问题，实验结果表明，该方法在 NuScenes 数据集上的表现已达到目前最先进水平。

    Mar, 2023

  • 用于单目视觉里程计尺度估计的密集预测变换器

    本文使用密集预测变换器模型进行尺度估计，解决单目视觉测距系统中尺度漂移问题，通过深度图的准确估计，取得竞争性的最新成果。

    Oct, 2022

  • 针对室内 RGB-D 重建的几何和纹理的高效基于平面的优化

    我们提出了一种基于平面基元的 RGB-D 室内场景重建新方法，通过适应平面构建整个场景的低多边形网格，保留原始场景的几何细节和锐利特征并生成清晰的面纹理，相较于现有方法更有效的从 RGB-D 数据生成纹理网格。

    May, 2019

  • 视觉里程计再探：应该学习什么？

    本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

    Sep, 2019

  • 鲁棒性一致的视频深度估计

    本文提出了一种用于估计一致密集深度图和相机姿态的算法，该算法基于学习的深度先验和几何优化相结合，不需要输入相机姿态，并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。

    Dec, 2020

  • RadarCam-Depth: 雷达 - 相机融合用于学习度量尺度的深度估计

    基于稀疏雷达点云和单视角图像的度量密集深度估计的新方法，使用雷达 — 相机框架对深度估计进行全局比例校准、稀疏雷达点与图像补丁的关联学习进行准密度尺度估计以及通过尺度映射学习对密集深度进行局部尺度细化，提高深度估计精度。在挑战性数据集 nuScenes 和自行收集的 ZJU-4DRadarCam 数据集上，与最先进的雷达 — 相机深度估计方法相比，我们提出的方法将深度估计的均方绝对误差 (MAE) 分别降低了 25.6% 和 40.2%。

    Jan, 2024

  • CAPTRA: 基于点云的刚体和关节物体类别级位姿跟踪

    该论文提出了一个统一的框架来处理品类、实例以及部位的姿态追踪问题，其中 9DoF 姿态表示通过 3D 错套边框实现。通过三个模块的组合提高 9DoF 姿态的精度达到了最优，成为了该领域的新的最优实践方法。

    Apr, 2021

  • DeepPCO: 深度并行神经网络实现的端到端点云里程计

    本文研究如何利用深度学习估计点云里程计，并提出了一个称为 DeepPCO 的新型神经网络模型，可通过估计连续点云来预测 6 自由度姿态，实验结果表明该方法在位姿准确性方面表现良好。

    Oct, 2019

  • COMO：紧凑映射与里程计

    COMO 系统是一个实时单目建图和里程计系统，通过一组三维锚点来编码密集几何信息，通过锚点投影解码密集几何，保证深度图在可见锚点处完整连接，该表示允许相机位姿和密集几何的联合优化，实现内在的三维一致性和高效的二阶推断，并引入一个前端来跟踪和初始化可能在帧间视觉上无法区分的三维点，整体上，提出了一个能够估计准确位姿和一致几何的实时系统。

    Apr, 2024