CVPRMay, 2019

基于鲁棒点云的大规模室外场景重建

PDF
TL;DR本文提出一种基于概率方法的鲁棒后端优化方案，通过建立贝叶斯网络模型，利用长尾柯西分布抑制异常点的特征匹配，以及一组二元潜在变量的柯西 - 均匀混合模型同时抑制循环闭合约束中的异常点特征匹配。并在实验中证明了我们的方法在大规模室内和室外数据集上均具有良好的性能表现。
outlier feature matchesloop-closuresback-end optimizationprobabilistic approachbayesian network
发现论文，激发创造
  • 基于变分贝叶斯的三维配准鲁棒离群点剔除

    本文提出了一种基于变分非局部网络的离群值识别框架，使用贝叶斯驱动的长程依赖关系来聚集区分几何背景信息进行内点 / 外点的区分，通过投票的方式搜索高质量内点集合进行变换估计，实验证明该框架在 3DMatch、3DLoMatch 和 KITTI 数据集上表现良好。

    Apr, 2023

  • 深度学习相机重定位中的不确定性建模

    使用贝叶斯卷积神经网络实现六自由度视觉重定位系统，并利用其不确定性测量提高室内和户外场景的定位精度，实现实时处理。

    Sep, 2015

  • MM-Gaussian：基于高斯函数的三维多模态融合在无界场景中的定位和重建

    在无界场景中进行定位和制图的 MM-Gaussian 多模态融合系统利用 LiDAR 和相机提供的几何结构信息解决了仅依靠视觉解决方案时遇到的深度不准确性问题，并利用 3D 高斯点云实现逼真的渲染效果。

    Apr, 2024

  • 使用贝叶斯非参数混合模型实现高效的全局点云对准

    本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。

    Mar, 2016

  • 大规模光度捆绑调整

    本文提出一个通过联合光度优化密集几何和摄像机参数，用于 3D 重建的框架，使其比特征点 bundle 调整更具指标重建精度，该框架可以应用于大规模的数据集，并且在面对不同的光照和相机内参时有更好的表现。

    Aug, 2020

  • 通过广义贝叶斯实现鲁棒卡尔曼滤波

    在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。

    May, 2024

  • 概率和自适应场景表示的在线学习

    本文提出一种贝叶斯非参混合模型来表示场景信息，通过在线学习过程实现了实时更新场景信息，在不同数据规模下实现了动态调整，实验结果表明该方法具有较高准确率和良好的效率。

    Mar, 2021

  • 准确灵活的实例重建的 CAD 先验

    提出一种自动高效的 3D 目标重建方法，利用先验 CAD 模型，通过本文贡献的局部隐式形状模型（LISM）的对象检测方法，可从小型或大型（125m³）物体上高精度重建。

    May, 2017

  • 混合去噪通用占据网络

    通过使用 MLPs 对局部特征进行编码，以点云来恢复 3D 重建的模型，通过引导去噪的相对位置编码，从点云中汇集附近的特征，预测空间中的任意查询点的占用概率，并夺得了卷积方法的最新成果，并且只使用了一半的模型参数。

    Nov, 2023

  • 利用地面分割实现抗离群点的长期机器人地图构建

    通过提出快速而稳定的地面分割、鲁棒的带地面分割的异常值鲁棒注册、层次化多场景 SLAM 以及基于实例感知的静态地图构建，实现了一个长期稳定的机器人建图系统。

    May, 2024