基于度量感知协方差的学习型立体视觉里程计（MAC-VO）

Sep, 2024

基于度量感知协方差的学习型立体视觉里程计（MAC-VO）

MAC-VO: Metrics-aware Covariance for Learning-based Stereo Visual Odometry

Yuheng Qiu, Yutian Chen, Zihao Zhang, Wenshan Wang, Sebastian Scherer

TL;DR本研究针对传统几何方法在特征选择中的局限性，提出了一种新的度量感知协方差方法，能够在关键点选择和姿态图优化中加权残差。通过增强对空间误差和相关性的捕捉，MAC-VO在复杂环境中显著提高了位置估计的鲁棒性和可靠性，相较于现有的视觉里程计和某些SLAM算法表现出更优越的效果。

Abstract

We propose the MAC-VO, a novel Learning-based stereo VO that leverages the learned metrics-aware matching uncertainty for dual purposes: selecting keypoint and weighing the residual in pose graph optimization. Compared to traditional geometric methods prioritizing texture-affluent feat

发现论文，激发创造

单目视觉里程计中的挑战: 光度校准、运动偏差和滚动快门效应

通过定量评估直接、特征和半直接方法的最新技术，提供了社区有用的实用知识，以便更好地应用现有的方法和开发新的VO和SLAM算法，并提出了可能的改进现有方法的建议。

May, 2017

自监督端到端视觉里程计的几何一致性

该论文提出了一种利用几何结构作为自我监督信号的无监督深度视觉里程计学习范例，并表明这种方法与监督学习方法在性能上的竞争力相当。

Apr, 2018

无监督单目视觉里程计的位姿图优化

本文提出一种基于无监督学习的单目视觉里程计系统，结合图优化和回路检测，利用神经网络构建一个包含多视图6DoF约束的窗口位姿图，并提出了一种姿态周期一致性损失来改善性能和鲁棒性，进而构建全局位姿图进行优化，实验结果表明该方法具有良好的性能和精度。

Mar, 2019

深度视觉里程计的选择性存储和姿态细化

本研究提出了一种视觉里程计框架，采用三个组件：内存、优化和特征集中。在几个基准数据集上进行的实验证明，相比于现有的学习方法，该方法在纹理不佳和突发运动等复杂环境下具有更优异的性能。

Apr, 2019

视觉里程计再探：应该学习什么？

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在KITTI数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

面向开放世界的泛化：在线适应深度视觉里程计

本研究提出了一种基于场景不可知几何计算和贝叶斯推理的在线适应深度视觉里程计的框架，该方法采用了自监督学习，解决了深度学习视觉里程计训练数据和测试数据之间的域差异，通过光流和深度等信息实现姿态估计，具有良好的通用性和自适应性。

Mar, 2021

轻量级，不确定性感知的可证明视觉里程计

本文提出了一种轻量、统计鲁棒的框架，利用符合推理来提取视觉坐标自适应预测间隔的不确定性，勾画了生成深度神经网络、蒙特卡洛 Dropout、区间打分和校准损失等技术，从而改善不确定性感知学习对于决策领域的应用。

Mar, 2023

NeRF-VO：基于神经辐射场的实时稀疏视觉里程计

我们引入了一种新颖的单目视觉里程计（VO）系统NeRF-VO，它整合了基于学习的稀疏视觉里程计用于低延迟相机跟踪和神经辐射场景表示用于复杂的密集重建和新视角合成。我们的系统使用稀疏视觉里程计初始化相机位姿，并从单目深度预测网络获取视角相关的密集几何先验。我们将位姿和密集几何的尺度统一起来，将它们视为监督信号来训练神经隐式场景表示。NeRF-VO通过联合优化关键帧位姿和底层密集几何，在边缘项渲染的过程中训练辐射场，展现了出色的场景表示的光度和几何保真度，在各种合成和真实世界的数据集上超过了最先进的方法，在姿态估计准确性、新视角合成保真度和密集重建质量方面都取得了更好的性能，并且在相机跟踪频率更高和GPU内存消耗更少的情况下。

Dec, 2023

LEAP-VO: 长期有效的任意点追踪视觉里程计

基于视觉输入，视觉里程计根据图像序列中的丰富时间上下文和选择的关键点，通过LEAP模块进行长期有效的任意点跟踪，有效解决遮挡、动态对象和低纹理区域等挑战，从而提供全轨迹可靠性评估，其前端应用了长期点跟踪的新实践方法，实验证明在各种视觉里程计基准中显著优于现有基线。

Jan, 2024

COMO：紧凑映射与里程计

COMO系统是一个实时单目建图和里程计系统，通过一组三维锚点来编码密集几何信息，通过锚点投影解码密集几何，保证深度图在可见锚点处完整连接，该表示允许相机位姿和密集几何的联合优化，实现内在的三维一致性和高效的二阶推断，并引入一个前端来跟踪和初始化可能在帧间视觉上无法区分的三维点，整体上，提出了一个能够估计准确位姿和一致几何的实时系统。

Apr, 2024