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
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
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
使用全局优化的方式,Loopy-SLAM 将神经 RGBD SLAM 方法应用于密集的同时定位与建图任务中,解决了摄像机跟踪过程中的误差累积和地图扭曲的问题。
Feb, 2024
提出了一种新的直接稀疏视觉里程计公式,将全直接概率模型(最小化光度误差)与所有模型参数(包括几何结构 - 在参考帧中表示为反深度 - 和相机运动)的一致联合优化相结合。
Jul, 2016
我们提出了一种新的方法来解决在混合单目 SLAM 中需要维护不同的本地和全局地图表示的问题,通过使用描述符共享来生成单个反深度场景表示,消除了分离且冗余的地图维护过程,并在本地中使用、全局查询以执行闭环,之间的多地图不漂移,且计算成本和内存占用仅为其他单目 SLAM 系统的一小部分。
Jun, 2023
本文提出了一种基于 3D 场景图的物体级别数据关联方法来实现 SLAM 系统中的闭环检测,其中使用语义信息、交叉联合、物体颜色和物体嵌入等方法来进行对象级别的数据关联,最终得到全局一致且更加精确的 3D 语义地图。
Apr, 2023
本文介绍了 MG-SLAM,一种单目高斯 SLAM 系统,其特点是具有语义扩展的环路闭合模块,能够在进行漂移校正的同时实现高保真度的重建和对环境的高层次理解。该系统通过将全局地图表示为 3D 高斯,并将其用于指导场景几何估计,从而减轻缺失深度信息的工作量。此外,基于 CLIP 特征的语义扩展环路闭合模块可以持续进行全局优化,以纠正系统运行期间累积的漂移错误。我们的系统在多个具有挑战性的数据集上取得了令人期待的跟踪和建图结果,甚至超过了一些现有的 RGB-D 方法。
May, 2024
介绍了一种基于逐步创建的场景图的新型回路检测方法,针对室内场景的视觉 SLAM。它同时考虑了宏观视图拓扑、微观视图拓扑和语义实例的占用率来找到正确的对应关系。
May, 2023