CNN-SLAM：基于学习深度预测的实时稠密单目SLAM
计算机视觉与模式识别
2017-04-13 v1
摘要
鉴于卷积神经网络（CNNs）在深度预测方面的近期进展，本文研究了如何将深度神经网络预测的稠密深度图用于准确且稠密的单目重建。我们提出了一种方法，其中CNN预测的稠密深度图与直接单目SLAM获得的深度测量自然融合。我们的融合方案在单目SLAM方法往往失败的图像位置（例如沿低纹理区域）优先采用深度预测，反之亦然。我们展示了利用深度预测来估计重建的绝对尺度，从而克服了单目SLAM的主要限制之一。最后，我们提出了一个框架，将单帧获得的语义标签与稠密SLAM高效融合，从单视图产生语义连贯的场景重建。在两个基准数据集上的评估结果显示了我们方法的鲁棒性和准确性。
引用
@article{arxiv.1704.03489,
title = {CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction},
author = {Keisuke Tateno and Federico Tombari and Iro Laina and Nassir Navab},
journal= {arXiv preprint arXiv:1704.03489},
year = {2017}
}
备注
10 pages, 6 figures, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), Hawaii, USA, June, 2017. The first two authors contribute equally to this paper