ECCVJul, 2022

相机姿态自编码器 —— 改善姿态回归

PDF
TL;DR本文介绍相机姿态自编码器（PAEs）的使用，在使用 APR 作为教师模型的情况下，使用教师 - 学生方法对其进行多层感知机神经网络的训练。我们表明，使用这种编码器时，可以获得与 APR 相当的姿态表示效果，并且展示了在相关任务中它们的有效性，同时提出了一种轻量级测试时间优化方法。通过对数据集 CambridgeLandmarks 和 7Scenes 的测试，该方法取得了新的最佳位置精度。
absolute pose regressorcamera pose auto-encodersmultilayer perceptronlatent pose representationposition accuracy
发现论文，激发创造
  • 基于地图的姿态回归视觉重定位

    相对于已知环境，姿态回归网络通过预测查询图像的相机姿态。我们提出了一种新的姿态回归方法，地图相对姿态回归（marepo），通过使用场景特定的地图表示，将姿态回归器的预测相对于场景地图。我们的方法在室内和室外两个公共数据集上远远优于之前的姿态回归方法。

    Apr, 2024

  • 学习神经体积位姿特征用于相机定位

    引入了一种新颖的神经体姿态特征 ——PoseMap，旨在通过囊括图像之间和相关摄像机姿态之间的信息增强摄像机定位能力。该框架利用了绝对姿态回归（APR）架构和增强的 NeRF 模块，不仅有助于生成丰富的训练数据集来丰富训练，在线自监督对齐的扩展还能允许该方法在无标签图像上使用和微调。实验证明，我们的方法在室内和室外基准场景上平均性能分别提高了 14.28% 和 20.51%，超过了现有的具有最先进精度的 APR 方法。

    Mar, 2024

  • KS-APR: 鲁棒绝对位姿回归的关键帧选择

    KS-APR 是一种用于 Markerless Mobile Augmented Reality 的 pipeline，通过结合 APR 的推断结果和训练集中的先验图像来评估估计位姿的可靠性，从而提高可靠性和准确性，适用于不需要一次性决策的视觉定位任务。

    Aug, 2023

  • HR-APR: 基于不确定性估计和分层细化的面向相机重定位的 APR 通用框架

    本研究介绍了一种新的 APR 通用框架 ——HR-APR，将不确定性估计作为查询与数据库特征之间余弦相似度的问题来解决，不依赖于特定的 APR 架构，并通过利用不确定性进行姿态细化，提高了 APR 的性能。实验证明，该框架在单图像 APR 中保持了 SOTA 的准确性，同时降低了 7Scenes 和剑桥地标数据集的计算开销。

    Feb, 2024

  • 使用 Transformer 学习多场景绝对姿态回归

    使用 Transformers 网络结构实现多场景相机位姿估计，相比其他模型表现更加优异。

    Mar, 2021

  • 基于 Transformer 的粗细步骤的多场景姿态回归

    使用 Transformers 学习多场景相机姿态回归，通过自注意力聚合激活图和变换潜在特征以及场景编码，提高了定位准确性。

    Aug, 2023

  • 融合来自运动结构和光流模拟姿势回归的算法用于具有挑战性室内环境

    本文提出了一种使用相对位移回归来规范绝对位姿估计的新方法，采用递归融合神经网络来更好地整合绝对和相对估计姿态，实验结果表明这种方法比使用姿态图优化的方法更为有效。

    Apr, 2023

  • DFNet：使用直接特征匹配增强绝对姿态回归

    本篇研究提出了一种相机重新定位的方法，它通过绝对姿态回归和直接特征匹配相结合，并加入曝光自适应的新视角合成，成功地解决了现有基于光度的方法无法处理的室外环境中的光度变形问题。

    Apr, 2022

  • 姿态估计回归的对抗转移

    我们提出了一种基于迁移学习和领域自适应技术的深度适应网络，通过自监督学习获取具有场景不变性的图像表示，并将其用于摄像机姿态估计中。在 Cambridge Landmarks 和 7Scene 上的评估表明，该网络优于几个基线，并与最先进的方法进行了比较。

    Jun, 2020

  • 一种轻量级的领域自适应绝对位姿回归器，使用巴洛双子目标

    提出了一种面向绝对姿态回归的领域自适应训练框架，基于生成方法实现场景图像的不同领域的数据增强，并在回归头中探究了空间和通道注意力对旋转预测的有效性。结果表明，该方法在效率和性能方面都优于基于 CNN 的架构，并可适用于不同领域。

    Nov, 2022