Nov, 2022

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

PDF
TL;DR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。
camera pose estimationlearning-based methodsdomain adaptive trainingregression headcnn-based architectures
发现论文，激发创造
  • 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

  • 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

  • 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

  • SPP-Net：使用合成图像进行深度绝对姿态回归

    通过稀疏特征描述符基于深度学习神经网络架构设计实现图像绝对姿态估计问题，取得了 state-of-the-art 的性能表现，同时使用这种方式的优势可以提高模型的效率和扩展性以及泛化性能。

    Dec, 2017

  • 基于 CNN 的绝对相机姿态回归的局限性理解

    本研究旨在解决场景中精确的相机姿态估计的视觉定位问题，传统方法使用 3D 几何学，而新近出现的卷积神经网络则直接从输入图像中学习相机姿态，但是并未达到 3D 方法的精度。本论文提出了一种理论模型来预测 pose regression 技术的失败案例，并证实了我们的预测。作者进一步表明，pose regression 与图像检索非常相似，而不是与 3D 结构的准确姿态估计。最重要的是，当前方法并不能持续超越手工图像检索基线，因此需要进一步的研究。

    Mar, 2019

  • 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

  • FAR：灵活、准确和稳健的 6DoF 相机相对姿态估计

    相机位姿估计的方法可以通过找到对应关系和解决基础矩阵的方式在大多数情况下提供高精度，而使用神经网络直接预测姿态的方法对于有限重叠的情况更加鲁棒，并能够推断出绝对平移尺度，但精度较低。我们展示了如何结合这两种方法的优点；我们的方法能够同时提供精确和稳健的结果，并准确推断出平移尺度。我们模型的核心是一个 Transformer，它通过学习平衡已解决和学习的姿态估计，并提供一个先验信息来指导求解器。全面的分析支持了我们的设计选择，并证明了我们的方法能够灵活适应各种特征提取器和对应估计器，在 Matterport3D、InteriorNet、StreetLearn 和 Map-free Relocalization 上展现了最先进的 6 自由度姿态估计性能。

    Mar, 2024

  • 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

  • 从姿态中隐式学习场景几何用于全局定位

    通过利用少量的标签数据（即相机姿态），本文提出了一种学习方法，将这些标签与刚性对齐相结合，学习场景的三维几何表示，并将其用于估计相机的六自由度姿态，从而提高了定位的准确性。

    Dec, 2023

  • 通过调整领域地图以适应深度预测不准确性，实现无人机鲁棒单目定位

    提出了一种新颖的单目定位框架，通过联合训练基于深度预测的深度学习和基于贝叶斯滤波的姿态推理，能够显著改进模型可伸缩性和环境变化的容忍度，即使深度预测非常差，也能保持高精度的姿态准确性，并且相对于标准的深度学习具有更高的光照变化下的姿态准确性。

    Oct, 2022