A2-GNN：用于无视觉描述器相机重定位的角-环形图神经网络
计算机视觉与模式识别
2025-02-28 v1
摘要
视觉定位涉及在已知场景中估计6自由度（6-DoF）相机姿态。其关键步骤是识别2D查询图像与3D模型之间的像素到点的对应关系。大多数先进方法目前依赖严密的视觉描述器来建立这些对应关系，面临存储、隐私问题和模型维护等挑战。直接进行2D-3D关键点匹配而不使用视觉描述器的做法日益流行，因为它可以克服上述挑战。然而，现有的描述器自由方法往往存在准确率低或计算负担重的问题。为此，本文引入Angle-Annular Graph Neural Network（A2-GNN），一种简单却高效的方法，通过环形特征提取学习鲁棒的几何结构表示。具体而言，该方法对邻居进行聚类，并将每个群组的距离信息和角度作为补充信息来捕获局部结构。在匹配和视觉定位数据集上的评估表明，我们的方法在无视觉描述器的方法中以卓越的准确率和低计算开销实现了最佳性能。我们的代码将在https://github.com/YejunZhang/a2-gnn 上发布。
引用
@article{arxiv.2502.20036,
title = {A2-GNN: Angle-Annular GNN for Visual Descriptor-free Camera Relocalization},
author = {Yejun Zhang and Shuzhe Wang and Juho Kannala},
journal= {arXiv preprint arXiv:2502.20036},
year = {2025}
}
备注
To be published in 2025 International Conference on 3D Vision (3DV)