Aug, 2018

多运动视觉里程计：同时估计相机和第三方运动

PDF
TL;DR该论文研究了在动态场景中同时估计相机和环境物体的运动情况，提出了一种称为多动模视觉里程计 (MVO) 的管道，不需要先验知识和对环境的已知条件，该算法在真实动态数据集上的验证实验表明良好的性能。
motion estimationcomputer visionvisual odometrymultimotiondynamic scene
发现论文，激发创造
  • ClusterVO: 将移动实例聚类并估计自身与周围的视觉里程计

    ClusterVO 是一种在线立体视觉里程计，能够同时聚类估计自身和周围的刚性聚类 / 物体的运动，其核心是多级概率相关机制和结合语义、空间和运动信息的异构条件随机场聚类方法，在 Oxford 多动态和 KITTI 数据集上达到了与最先进解决方案相当的结果。

    Mar, 2020

  • VDO-SLAM: 一种视觉动态物体感知 SLAM 系统

    VDO-SLAM 是一种稳健的视觉动态物体感知 SLAM 系统，利用语义信息实现对本体运动的准确估计和跟踪，能够精确估计机器人轨迹、物体的 SE（3）运动和空间时序地图。

    May, 2020

  • 单目视觉里程计中的挑战：光度校准、运动偏差和滚动快门效应

    通过定量评估直接、特征和半直接方法的最新技术，提供了社区有用的实用知识，以便更好地应用现有的方法和开发新的 VO 和 SLAM 算法，并提出了可能的改进现有方法的建议。

    May, 2017

  • D3VO：单目视觉测距、姿态和不确定性的深度模型

    提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。

    Mar, 2020

  • 基于增量旋转平均和环路闭合的单目旋转里程计

    通过 2D-2D 特征匹配技术，利用旋转平均算法设计一种可快速而又准确地估算单目相机旋转方向的系统，该系统通过维护一个视图图形并解决旋转问题来估算摄像机轨迹和地图，并驱动 V-SLAM 系统跟踪纯旋转运动。

    Oct, 2020

  • 牛津多运动数据集：具有地面真值的多个 SE（3）运动

    本文描述了牛津多动态数据集，该数据集提供了许多复杂的多动态估计问题，包括挑战现有算法的复杂问题以及支持算法开发的简化问题。数据集包含来自静态和动态传感器的观测、多个移动体的不同 3D 运动的数据以及旋转和遮挡等多个问题的实验。它还提供了 110 分钟的数据包括立体和 RGB-D 摄像头图像、IMU 数据和 Vicon 地面真值轨迹，是多动态估计研究的一个有价值的资源。

    Jan, 2019

  • 用立体视觉进行语义化三维物体和自我运动跟踪，用于自动驾驶

    本文提出了一种基于立体视觉的方法，用于在动态自动驾驶情景下跟踪摄像机姿态和三维语义对象，该方法使用易于标注的二维检测和离散视点分类结合轻量级语义推理方法获取粗略的三维物体测量，并基于当前的物体感知相机姿态跟踪实现物体位置的估计与 3D 建模以获得精确度和时间一致性。

    Jul, 2018

  • 每个像素都很重要：利用整体三维运动理解进行无监督几何学习

    本文通过在未标记视频上观看，利用深度卷积神经网络来学习单张图像的三维几何估计，通过将像素水平的三维物体运动加入到学习框架中，提供了整体的三维场景流理解并有助于单张图像的几何估计。

    Jun, 2018

  • PVO: 全景视觉里程计

    PVO 是一种新型全景视觉里程计框架，它采用图像全景分割指导增强视觉里程计模块，并且通过迭代优化实现全景视觉里程计和视频全景分割的相互促进。实验证明，与现有方法相比，PVO 在视觉里程计和视频全景分割任务方面的性能更优。

    Jul, 2022

  • 基于 RGB-D 和惯性场景流的相机运动估计

    该研究介绍了一种新的相机运动估计方法，通过场景流集成 RGB-D 图像和惯性数据，旨在在刚性三维环境中准确估计相机运动和惯性测量单元（IMU）状态。通过对合成数据和真实数据进行评估，结果显示这两个传感器的融合相比仅使用视觉数据具有更高的相机运动估计精度。

    Apr, 2024