LDL:全景定位的线距函数
介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法,通过全景视图来定位,避免了训练或手工制作视觉描述符,提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文,其结果表示与传统视觉描述符方法相比,处理时间和内存上更加高效;验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果;由于是完全几何的方法,无需进行庞大的参数调整或神经网络训练,因此具有实际应用价值,可以直接部署在实际世界中。
Mar, 2024
本文介绍了一种名为 LIMAP 的库,用于从多视角图像中稳健高效地创建 3D 线路图,该库通过重新审视线三角化的退化问题、精心制作的得分和跟踪构建以及利用线 / 点的结构先验知识来实现。在全面实验中,我们展示了 LIMAP 在 3D 线路图上显着优于现有方法,并且我们的稳健 3D 线路图也开辟了新的研究方向:视觉本地化和束调整。
Mar, 2023
本文提出了一种基于逆深度线定位 (IDLL) 的视觉同时定位和地图构建方法,通过识别室内的线特征并利用逆深度变量来减少冗余,达到更高的精度和效率,与目前基于特征的 VSLAM 方法相比,在多种感知挑战数据集上能够达到更准确、更健壮和更低的计算开销。
Apr, 2023
本文提出一种 360 布局估计的方法,采用可微分的深度渲染程序进行 3D 重建,从而达到对布局进行 3D 重建的目的,并取得了最新的性能表现。
Apr, 2021
本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法,并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差,实验结果表明该方法可以在结构化环境中高效地估计相机位姿。
Apr, 2020
该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局,并展示了在合成和真实数据集上的表现,其对车道合并和拆分等复杂情况的处理也更加明确,较以往方法有竞争力。
Nov, 2018
通过利用一个轻量级神经网络,我们展示了如何学习表示三维点和线特征,并通过多个学习映射的力量在姿态准确性方面取得领先的结果。我们通过使用一个转换器块编码线特征,将其有效地转化为独特的点式描述符,并在几个图层中集成自注意力和交叉注意力,从而有效地优化每个特征后使用两个简单的多层感知器进行三维地图回归。在综合实验中,我们的室内定位结果在基于点和基于线的配置上都超过了 Hloc 和 Limap 的结果。而且,在户外场景中,我们的方法取得了显著的领先地位,是目前基于学习的方法中最重要的改进。
Feb, 2024
本文介绍了 ONCE-3DLanes 数据集,其中包含 211K 实际道路场景的 3D 车道标注,提出了自动生成高质量 3D 车道位置的数据集注释流程,同时提供了一种新的无锚点,无外部参考的方法 SALAD 来回归图像视图中的车道 3D 坐标。此外,还提供了一个新的评估度量标准,旨在促进 3D 车道检测领域的未来研究。
Apr, 2022
基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征,并使用共享编码器层来训练两个分割和描述头,该方法在无初始变换输入的情况下验证了自己的有效性,对于各种计算机视觉任务具有广泛的应用价值。
Aug, 2022
使用单个非中心全景图,通过几何推理从室内环境中恢复 3D 布局,利用深度学习提取结构线的边界并利用非中心投影系统的特性进行新的几何处理以恢复比例尺,解决了曼哈顿环境和亚特兰大环境的遮挡问题,改进了现有的单幅全景图的 3D 布局恢复方法,是第一个使用深度学习进行非中心全景图及其布局比例尺恢复的研究。
Feb, 2024