Apr, 2024

场景坐标重建：通过增量学习重定位器进行图像集合的姿态估计

PDF
TL;DR我们通过学习基于场景坐标回归的重新定位方法实现了无特征匹配和高效优化的相机姿态估计，从而构建了隐式的神经场景表示。
estimating camera parametersstructure-from-motionvisual relocalizerlearning-based relocalizationneural scene representations
发现论文，激发创造
  • 基于图像的定位的全幅场景坐标回归

    采用全帧方式进行场景坐标回归可以在测试时间内提高计算效率并增加回归过程的全局上下文以提高稳健性，而数据增强则有助于减轻过度拟合问题，从而提高基于图像识别的定位场景坐标预测的鲁棒性。

    Feb, 2018

  • 基于图像的定位的场景坐标和对应关系学习

    本篇论文提出了一种使用深度学习，通过像素级的场景坐标回归来进行相机姿态估计的方法，并通过回归的置信度值对相应的姿态进行自我校正和提高精度。

    May, 2018

  • 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

  • 加速坐标编码：使用 RGB 和姿态学习在几分钟内重新定位

    本文介绍了一种学习基础的视觉重定位系统，利用无场景特异性特征骨干和场景特异性预测模型，结合多点并行迭代训练来提高定位精度，并使用反投影损失替代复杂的末端到末端训练过程，从而提高训练速度，而且优于最先进的场景坐标回归方法。

    May, 2023

  • 基于角度重投影误差的场景坐标回归在相机重新定位中的应用

    本文提出一种基于新的角度重投影误差损失方法的卷积神经网络训练方式，在无需精确初始化的情况下能够获得更准确的结果，并且可以利用多视角约束来进一步提高性能。

    Aug, 2018

  • 基于全局唯一实例坐标回归的大规模联合语义重定位与场景理解

    本研究提出了一种新颖的联合语义本地化和场景理解方法，通过训练卷积神经网络，通过物体实例的自我表征和 6-DoF 相机姿态预测来实现 3D 场景坐标估计，并且相比直接姿态回归或基于场景坐标的姿态估计算法更加准确。

    Sep, 2019

  • SC-wLS：面向可解释的前馈相机重定位

    本文提出了一种名为 SC-wLS 的前馈方法，该方法利用所有场景坐标估计来进行加权最小二乘姿态回归，通过被施加在 2D-3D 对应关系上的权重网络进行可区分的公式化，且只需要姿态监督，通过 7scenes 和剑桥数据集的评估表明，与之前的前馈方法相比，SC-wLS 方法显著提高了性能。此外，我们的 SC-wLS 方法还实现了一种新的功能：加权网络的自我监督测试时间适应。

    Oct, 2022

  • 使用重新本地化级联实时估计新场景中的 RGB-D 摄像机姿态

    本文提出了一种改进的方法来解决摄像机位姿估计问题，利用回归森林对场景中的关键点进行对应，采用几何方法评分并选择最有前途的假设，使用多个快速但不精确的重新定位器级联，调整参数以实现有效的性能，实现了重定位性能的显着提升。

    Oct, 2018

  • 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

  • 大规模场景中单目相机的深度、位姿和隐式场景表示的增量联合学习

    我们提出了一种增量联合学习框架，通过采用基于视觉变换器的网络作为主干来实现准确的深度、姿态估计和大规模场景重建，并构建了增量场景表示方法以增强三维场景表示的可伸缩性。

    Apr, 2024