本文提出了一种利用约束二次规划方法对 3D 场景重建的子集进行压缩,采用支持向量机的辅助序列最小优化算法来求解,得到准确的摄相机姿态估计。
Nov, 2020
本文提出了一种基于图像的定位方法,使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合,实现低延迟本地化查询,证明了该方法在大规模模型上的有效性。
Jun, 2019
该论文提出了一种保护隐私的基于图像的定位解决方案 —— 使用三维线云的地图表示替代三维点云,从而确保足够的几何约束以实现可靠和精确的六自由度相机姿态估计。
Mar, 2019
针对现有定位系统在大型环境中需要的内存存储问题,本文提出学习压缩地图表达以达到最优定位任务的目的,实验结果表明可以通过学习任务特定的压缩,将存储要求降低两个数量级,而不降低定位准确性
Dec, 2020
通过探索一种基于密集三维网格的更为灵活的方法,本文旨在解决基于图像的特征匹配对在构建场景表示上造成的代价,并通过在渲染场景几何图形时提取特征的方式,展示了这一方法达到了最新成果。结果表明,基于密集三维模型的表示是现有表示的一种有前途的替代方案,并且为未来研究提出了有趣而具有挑战性的方向。
Jul, 2022
采用深度神经网络方法压缩 3D 场景,以实现更高效的存储和重建过程。
May, 2021
本文提出了一个管道,用于在汽车场景中高效压缩 LiDAR 观测数据,首先利用 RangeNet++,一个用于语义推断点标签的深度神经网络来减少信道负载,其次是使用 Draco 对选择的点进行压缩,实验证明该方法可以在 LiDAR 的帧率下实现实时性。
Mar, 2021
本文提出了一种基于结构和图像的语义匹配方法,能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位,实验证明该方法相较于现有技术有显著的提升。
Apr, 2019
本篇论文介绍了基于学习的卷积变换和均匀量化的静态点云数据几何压缩方法,并将解码过程视为点云占用图的二元分类。该方法在 Microsoft Voxelized Upper Bodies 数据集上表现优异,平均 BDBR 节省率达 51.5%,且能够在低比特率下仍产生高分辨率的输出。
该论文提出了一种基于联合三维几何和语义理解的新方法来解决计算机视觉中困难的视觉定位问题,该方法使用生成模型进行描述符学习,并在语义场景补全作为辅助任务进行训练,以使得生成的三维描述符具有鲁棒性,并能够实现在极端视角,光照和几何变化下的可靠定位。
Dec, 2017