Con-DSO：用于 RGB-D 稀疏光束法视觉里程计的短期一致性先验学习
计算机视觉与模式识别
2026-05-28 v1 机器人学
摘要
视觉里程计（VO）是机器人和增强现实中的核心组件。RGB-D 直接视觉里程计受益于度量深度测量，但在面对动态物体、遮挡、光照变化以及不可靠深度导致短期光度和深度几何一致性假设受限的情况时，性能会下降。现有方法通过语义过滤、显式遮挡推理、光照适应或手工几何标准来缓解这些问题，但常依赖外部模块或针对单个失效模式的固定假设，限制了其灵活性和统一处理多种挑战的能力。本文提出 Con-DSO，一种基于一致性的 RGB-D 稀疏光束法视觉里程计框架，通过预测来自相邻 RGB-D 帧对的稠密光度和深度几何一致性不确定性。一致性网络使用基于流的光度误差和投影深度一致性误差进行训练，使一致性违反可表示为像素级不确定性。这些成对的不确定性预测被转换为基于关键帧的跟踪用的主机侧质量先验。该先验通过质量感知支持像素选择和解耦的光度-几何加权应用于 VO，实现对不可靠观测的持续衰减，而非硬性拒绝或基于阈值的门控。在五个公开 RGB-D 数据集基准实验中，相较于直接 RGB-D VO 基线，Con-DSO 取得显著提升，ICL-NUIM 上绝对轨迹误差降低超过 20%，RGB-D Scenes V2、TUM/Bonn Dynamic 和 OpenLORIS 序列分别降低 50%--80%。
引用
@article{arxiv.2605.27952,
title = {Con-DSO: Learning Short-Horizon Consistency Priors for RGB-D Direct Sparse Odometry},
author = {Haolan Zhang and Thanh Nguyen Canh and Chenghao Li and Ziyan Gao and Xiongwen Jiang and Nak Young Chong},
journal= {arXiv preprint arXiv:2605.27952},
year = {2026}
}
备注
Submitted