ECCVJul, 2022

MeshLoc：基于网格的视觉定位

PDF
TL;DR通过探索一种基于密集三维网格的更为灵活的方法，本文旨在解决基于图像的特征匹配对在构建场景表示上造成的代价，并通过在渲染场景几何图形时提取特征的方式，展示了这一方法达到了最新成果。结果表明，基于密集三维模型的表示是现有表示的一种有前途的替代方案，并且为未来研究提出了有趣而具有挑战性的方向。
visual localizationcamera pose estimationdense 3d meshesrenderingsstate-of-the-art results
发现论文，激发创造
  • 大规模实时视觉惯性定位重访

    本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

    Jun, 2019

  • 从本质矩阵学习视觉定位

    通过相对位姿来实现的视觉定位方法中，经典的基于特征点的方法具有最好的表现，替换为深度学习的方法后其性能不佳，本文分析了原因并给出了未来工作的建议。

    Aug, 2019

  • 利用互联网不完整的 3D 模型的视觉定位

    本文探讨了互联网上获取的 3D 模型对于视觉定位的不精确性以及如何处理构建一个更加准确的场景表示，研究人员创建了一个基准测试，以评估基于多个 3D 模型的视觉本地化问题的准确性。

    Apr, 2023

  • 懒人式视觉定位通过运动平均

    通过针对数据库查询对获得的运动平均化的定制，我们展示了一种可以在不重建三维场景的情况下实现高定位准确性的方法，即 LazyLoc，它在多查询协同定位和相机支架等复杂配置方面表现出了多样性。

    Jul, 2023

  • MeshVPR：基于 3D 网格的城市范围视觉地点识别

    通过使用稠密的三维纹理网格进行大规模视觉地点识别，我们发现使用合成基于网格的数据库进行视觉地点识别相比于真实世界图像的检索存在显著性能下降。为了解决这个问题，我们提出了 MeshVPR，这是一种利用轻量级特征对齐框架来弥合真实世界和合成领域差距的新型视觉地点识别管道。通过引入柏林、巴黎和墨尔本的新型数据集，我们进行了广泛的评估，证明了 MeshVPR 在标准视觉地点识别管道方面具有竞争力的性能，为基于网格的定位系统铺平了道路。

    Jun, 2024

  • 使用稀疏语义 3D 地图的视觉定位

    本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

    Apr, 2019

  • 回到未来：从像素到姿态学习鲁棒的相机定位

    本研究利用深度神经网络进行对物体在已知场景下的姿态估计，其中提出了使用场景无关的神经网络模型 PixLoc，通过特征学习和度量学习方法将相机定位问题转换为多尺度特征直接对齐，该模型以像素数据作为输入并经过端到端训练后能够在大型环境中实现定位，同时通过精确的稀疏特征匹配以更小的代价实现关键点和姿态的联合优化。

    Mar, 2021

  • 混合场景压缩用于视觉定位

    这篇论文介绍了一种新的混合压缩算法，用于视觉定位，能够在不增加存储要求的情况下获得更完整的场景表示，并且在相同的内存限制下比以前的压缩技术具有更高的姿态准确性。

    Jul, 2018

  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 神经隐式特征场的自监督学习用于相机姿态细化

    通过在同一度量空间中嵌入图像特征提取器和体积特征场，通过对比框架对齐体积特征与图像特征并利用学习的表面信息对后者进行正则化，本文提出了一种联合学习场景表示、体积渲染和特征场设计的方法，用于视觉定位，并在真实场景中验证了该方法的有效性。

    Jun, 2024