Feb, 2020

使用 DSAC 从 RGB 和 RGB-D 图像中进行视觉相机重定位

PDF
TL;DR这篇论文介绍了一种基于学习的系统，可以通过单个输入图像相对于已知环境估计相机的位置和方向，该系统采用了深度神经网络和可完全微分的姿态优化，可以适应不同应用程序，包括使用 RGB-D 或 RGB 图像进行训练，并可以使用环境的三维模型进行训练，但不是必需品。
camera localizationlearning-based systemdeep neural networkrgb-d imagespose optimization
发现论文，激发创造
  • 学习少即是多 - 通过三维表面回归实现六自由度相机定位

    本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

    Nov, 2017

  • 通过密集场景匹配学习相机定位

    本文提出一种基于 DSM 和 CNN 的相机场景无关的定位方法，可应用于大范围场景，能够在时间领域实现额外的性能提升，大大优于 SANet 等现有方法。

    Mar, 2021

  • 使用重新本地化级联实时估计新场景中的 RGB-D 摄像机姿态

    本文提出了一种改进的方法来解决摄像机位姿估计问题，利用回归森林对场景中的关键点进行对应，采用几何方法评分并选择最有前途的假设，使用多个快速但不精确的重新定位器级联，调整参数以实现有效的性能，实现了重定位性能的显着提升。

    Oct, 2018

  • 基于图像的定位的场景坐标和对应关系学习

    本篇论文提出了一种使用深度学习，通过像素级的场景坐标回归来进行相机姿态估计的方法，并通过回归的置信度值对相应的姿态进行自我校正和提高精度。

    May, 2018

  • D2S：相机重定位中的本地描述符和全局场景坐标表示

    本研究提出了一种基于学习的直接定位方法，使用简单的网络 D2S 来表示本地描述符和场景坐标，通过选择性关注鲁棒描述符并忽略云、树木和其他动态物体的方法，完成了稀疏描述符的二元 - 语义分类，在室内和室外环境中超越了现有的基于 CNN 的方法。

    Jul, 2023

  • 从姿势 RGBD 数据学习预测场景级隐式 3D

    本文提出了使用隐式函数进行场景级别三维重建的方法，利用 RGBD 数据对三维重建进行预测，与使用网络相比具有更好的鲁棒性和更少的标注要求。

    Jun, 2023

  • DSAC - 相机位姿不确定性可微分的 RANSAC 算法

    本文介绍了一种名为 DSAC 的新算法，它是 RANSAC 的可微分版本，并应用于深度学习与相机定位问题中，通过采用概率选择的做法， DSAC 克服了 RANSAC 在深度学习中无法使用的问题，在相机姿态输出方面显著提高了稳健性。

    Nov, 2016

  • 利用残差重建 RGB-D 相机动态环境下的三维模型

    本文提出了一种基于 RGB-D 传感器的方法，能够稳定地在包含多个动态元素的场景中进行地图绘制和定位，并在现有数据集上对其进行评估和发布。

    May, 2019

  • DeLS-3D: 3D 语义地图的深度定位与分割

    该研究提出了一种基于深度学习的统一框架，通过将相机视频、运动传感器（GPS/IMU）和三维语义地图进行传感器融合，以实现自主驾驶、自我定位和场景分类等多个应用领域中场景解析和相机姿态同时处理的目的。研究使用的技术包括渲染技术，使用相机姿态和三维语义地图生成标注地图，并在深度神经网络中进行联合训练，以提高姿态估计精度。该研究表明，相较于单一传感器，传感器融合对于目标跟踪及姿态估计具有更高的鲁棒性和准确性。

    May, 2018

  • 实时大规模三维重建的高效在线表面修正

    本文提出了一种用于在 RGB-D 传感器上进行大规模 3D 重建的实时表面矫正方法，该方法通过实时估计相机运动并在全局姿势图优化中进行精调来纠正可能出现的表面偏差，能够在仅使用单个 GPU 的情况下实现大型环境的实时表面纠正，相比最新技术而言，具有更高的运行时效率并且需要显著更少的内存。

    Sep, 2017