Oct, 2020

TartanVO：基于学习的通用 VO

PDF
TL;DR本研究提出了首个基于学习的视觉里程计模型，利用 TartanAir SLAM 数据集中提供的大量多样化的合成数据，采用尺度损失函数和相机内参将模型泛化到多个数据集和真实世界场景中，无需微调即可应用于 KITTI 和 EuRoC 数据集，并在具有挑战性的轨迹上显著优于基于几何的方法。
learning-basedvisual odometryslam datasetgeneralizationchallenging scenarios
发现论文，激发创造
  • TartanAir：推进视觉 SLAM 极限的数据集

    本文介绍使用 TartanAir 数据集进行机器人导航与多种传感器数据采集的相关实验，旨在使用基于大规模数据训练的学习方法，推动 Visual SLAM 算法在真实环境中的应用，并为其提供一种更具挑战性的新基准测试方法。

    Mar, 2020

  • 用于具身视觉的模态不变视觉里程计

    提出一种基于 Transformer 的模态不变的 Visual Odometry 方法，可以应对不同或变化的导航代理的传感器套件，该模型在仅使用部分数据进行训练时，优于先前的方法。

    Apr, 2023

  • XVO: 通过跨模态自训练实现的广义视觉里程计

    我们提出了一种半监督学习方法 XVO，用于训练具有鲁棒自适应性的广义单目视觉里程计模型，适用于不同的数据集和设置。

    Sep, 2023

  • 面向开放世界的泛化：在线适应深度视觉里程计

    本研究提出了一种基于场景不可知几何计算和贝叶斯推理的在线适应深度视觉里程计的框架，该方法采用了自监督学习，解决了深度学习视觉里程计训练数据和测试数据之间的域差异，通过光流和深度等信息实现姿态估计，具有良好的通用性和自适应性。

    Mar, 2021

  • 自监督端到端视觉里程计的几何一致性

    该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

    Apr, 2018

  • 自我改进的视觉里程计

    我们提出了一种自我监督学习框架，使用未标记的单眼视频序列生成大规模监督，用于训练视觉里程计前端，并使用输出来创建自我监督数据集以重新训练前端。

    Dec, 2018

  • 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

  • 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

  • 带姿态监督的显著稀疏视觉里程计

    该论文提出了一种新的混合视觉里程计（VO）框架，利用仅姿态监督来平衡鲁棒性和对大量标注的需求，并采用自我监督的同态学习和随机基于补丁的显著点检测策略，提高系统在各种具有挑战性的环境中的泛化能力。该方法在标准数据集上具有竞争力的性能，并在极端和未知场景中表现出更高的鲁棒性和泛化能力，甚至超过基于密集光流监督的最先进方法。

    Apr, 2024

  • VOS：通过虚拟异常点合成学习未知领域

    VOS 是一种新的框架，用于通过自适应合成虚拟离群值，在训练期间能够有意义地规范模型的决策边界，包括在特征空间中从类条件分布进行虚拟离群值取样，同时引入一种新的未知感知训练目标，与 ID 数据和合成离群数据之间的不确定性空间进行反向塑形，VOS 与物体检测和图像分类模型均能实现竞争性表现，在物体检测器上将 FPR95 降低了最高达 9.36％。

    Feb, 2022