Jun, 2023

醉汉的测程法：估算变形场景中的摄像机运动

PDF
TL;DR本研究提出了一个具有挑战性的数据集 Drunkard's Dataset，为解决在变形场景下探索摄像机轨迹和重构，设计了一个新的变形 odometry 方法（Drunkard's Odometry），该方法将光流估计分解为刚体摄像机运动和非刚性场景变形。
camera motiondeformable scenesodometryslam pipelinesdrunkard's dataset
发现论文，激发创造
  • 基于 RGB-D 和惯性场景流的相机运动估计

    该研究介绍了一种新的相机运动估计方法，通过场景流集成 RGB-D 图像和惯性数据，旨在在刚性三维环境中准确估计相机运动和惯性测量单元（IMU）状态。通过对合成数据和真实数据进行评估，结果显示这两个传感器的融合相比仅使用视觉数据具有更高的相机运动估计精度。

    Apr, 2024

  • 学习如何在内窥镜视频中稳健地估计相机姿态

    该研究提出一种基于双目内窥镜深度估计和光流的深度声明网络，通过减小两个几何损失优化相机姿态估计，并且引入了两个自适应的像素权重映射来平衡贡献，实现在挑战性的内窥镜手术场景中更加鲁棒的相机姿态估计，具有推进微创外科领域相关任务（如 SLAM 或 3D 重建）的研究意义。

    Apr, 2023

  • 基于移动相机的动态场景刚性学习与三维运动场估计

    本文提出在监督学习的基础上通过学习场景的刚性结构，从两张图片中推断场景对于相机的运动以及产生的 3D 场景流结构，相比于其他 3D 场景流预测方法表现更佳，并提供了半合成动态场景数据集和评估拆分。

    Apr, 2018

  • 视频中的自监督物体运动和深度估计

    本文提出了一种自监督学习框架，从视频中估算单个对象的运动和单眼深度，并将对象运动建模为六个自由度刚体变换；此外，该方法还使用实例分割掩码引入对象信息，并通过引入新的几何约束损失项消除运动预测的尺度歧义，实验结果表明，该框架在不需要外部注释的情况下处理数据并能够捕捉对象的运动，与自监督研究方法相比，在 3D 场景流预测方面有更好的表现，对动态区域的视差预测也有所贡献。

    Dec, 2019

  • 高速运动物体的子框外观与 6D 姿态估计

    本论文提出了一种名为 TbD-3D 的方法，可以同时跟踪快速运动的非均匀球形物体的 3D 运动轨迹、3D 姿态和物体外观变化，并提出了一组新的具有挑战性的数据集，用于验证该方法。

    Nov, 2019

  • 自监督几何引导的鲁棒单目视觉里程计初始化

    通过分析主要的失败案例并揭示优化过程的各种缺点，我们诊断了一种流行的学习型 SLAM 模型（DROID-SLAM）的关键弱点。然后，我们提出使用自监督先验，利用冻结的大规模预训练单眼深度估计初始化稠密捆绑调整过程，从而实现鲁棒的视觉里程计，无需对 SLAM 骨干进行微调。尽管方法简单，但在 KITTI 里程计和具有挑战性的 DDAD 基准上，我们的方法显示出显著的改进。代码和预训练模型将在发表后发布。

    Jun, 2024

  • 针对混浊和动态水下环境的单目实时视觉里程计

    本文提出了一种适用于水下环境的单目视觉里程计方法，该方法基于光流跟踪和基于关键帧的非线性优化，并在模拟和实际水下数据集上验证其性能优于现有的视觉 SLAM 方法，主要应用于水下考古任务中 ROV 的定位。

    Jun, 2018

  • Total-Recon： 嵌入式视角合成的可变形场景重建

    本文提出了 Total-Recon 方法，用于从长时间单目 RGBD 视频中重建变形场景并进行自由视点合成，通过场景运动层次分解，实现了快速高效的实现，并最终超越以往的方法。

    Apr, 2023

  • 从立体视频中学习残差流作为动态运动

    通过无监督学习框架，我们提出了一种将运动立体相机观察到的 3D 场景流分解为静止场景元素和动态物体运动的方法。我们利用三个协同工作的网络来预测立体匹配、相机运动和残留流，并明确估计基于残留流和场景深度的动态物体的 3D 场景流。在 KITTI 数据集上的实验表明，我们的方法在光流和视觉里程计任务上优于其他现有算法。

    Sep, 2019

  • 自我监督干扰学习驱动的城市环境单目视觉里程计鲁棒性

    本文提出了一种自监督方法，可忽略城市环境下摄像头图像中的 “干扰物”，从而鲁棒地估计车辆运动情况。我们利用离线多会话映射方法自动生成每个输入图像的像素级时间变化掩模和深度图，用于训练深度卷积网络和视觉里程计管道，最终实现了在动态、独立运动对象遮挡的情况下使用单目摄像头完成度量尺度的 VO，并且在超过 400 公里的牛津机器人数据集中获得了显著改善的运动估计精度。

    Nov, 2017