CVPRNov, 2018

MagicVO: 通过深度双向递归卷积神经网络实现单目视觉里程计的端到端计算

PDF
TL;DR本文提出了 MagicVO 框架，基于卷积神经网络和双向 LSTM，对单眼视觉里程计问题进行求解，实验结果表明，MagicVO 在位姿准确性和泛化能力方面优于传统视觉里程计系统。
发现论文，激发创造
  • DeepVO：用深度递归卷积神经网络实现端到端视觉里程计

    本文提出了一种新的、基于深度循环卷积神经网络（RCNNs）的单目 VO 的端到端框架，通过该框架，可以直接从一系列原始 RGB 图像（视频）中推断出姿态，同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能，实验验证了该技术具备与传统 VO 系统相当的竞争力。

    Sep, 2017

  • 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

  • UnDeepVO: 无监督深度学习单目视觉里程计

    本文提出了一种新颖的单目视觉里程计（VO）系统 UnDeepVO，其能够使用深度神经网络估计单目相机的 6-DoF 姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在 KITTI 数据集上获得了良好的姿态精度。

    Sep, 2017

  • 通过自我监督长期建模学习单目视觉里程计

    自监督学习 VO 的一种特殊考虑一致性的方法，采用具有两层卷积 LSTM 模块的姿态网络对姿态预测中的长期依赖进行建模，通过自监督损失进行训练，包括模拟几何 VO 中的循环一致性丢失的循环一致性丢失，并通过引入一种损失使网络能够在训练期间超出小时间窗口。结果表明，在几个 VO 数据集中表现出竞争性结果，包括 KITTI 和 TUM RGB-D。

    Jul, 2020

  • ViPR: 基于视觉里程计辅助的 6 自由度相机定位姿态回归

    提出了一种使用深度学习技术的长期机器人导航方法 ViPR，通过结合绝对位姿估计和相对位姿估计，利用时序信息和模块化的设计，并在已知数据集和工业数据集上取得了较好的效果。

    Dec, 2019

  • 端到端 6 自由度视觉定位和里程的深度全局相对网络

    本文提出了一种基于深度端到端网络的长期六自由度视觉里程法，通过融合相对网络和全局网络来改进单目定位的准确性，并使用交叉变换约束和均方误差来优化参数，实验结果表明本方法在位姿准确性方面优于其他最先进的基于学习的视觉里程计方法。

    Dec, 2018

  • 基于稠密三维流的单目视觉里程计与稠密三维建图学习

    本文介绍了一个全新的深度学习方法来进行单目 SLAM，通过使用学习视觉里程计（L-VO）和稠密 3D 映射的神经网络，该方法能够实现同时定位与建图。

    Mar, 2018

  • 一种基于注意力的深度学习框架用于实时单目视觉里程计：应用于无 GPS 无人机导航

    本文介绍了一种用于无人机的新型实时单目视觉里程计模型，使用了深度神经网络架构和自注意力模块，能够通过连续视频帧估计相机的自身运动，进而估计无人机的轨迹。该模型在两个视觉里程计数据集上测试，收敛速度比之前的循环神经网络模型快 48％，并且平均平移漂移减少了 22％，平均平移绝对轨迹误差改善了 12％，表现出更强的抗噪能力。

    Apr, 2024

  • 挑战性高动态范围环境下基于学习的图像增强技术用于视觉里程计

    探讨深度学习在视觉里程计系统中的应用，利用 Fine-Tuning 和 LSTM 网络对数据进行增强，提高数据表示能力，并通过使用小型 CNN 网络进行实时性优化，最终通过与 ORB-SLAM 和 DSO 等算法进行对比验证了该方法的提升效果。

    Jul, 2017

  • 自监督深度视觉里程计与在线自适应

    本文提出了一种基于在线元学习算法的自监督 Visual Odometry（VO）方法，利用了卷积长短时记忆（convLSTM）和特征对齐技术，实现了 VO 网络的持续适应新环境和快速自我更新。实验证明，该方法在未见过的户外场景、虚拟到真实世界和室外到室内环境转换中都明显优于基于自监督学习的 VO 基线方法。

    May, 2020