Deep-SLAM++：基于类特定深度形状先验的物体级 RGBD SLAM
计算机视觉与模式识别
2019-12-10 v2 图像与视频处理
摘要
为了提升 SLAM 系统的能力并生成物体级表示，学界日益关注将更高层先验引入估计过程。其中一个例子是利用物体检测器加载并配准完整 CAD 模型。我们的工作将这一思路拓展至含未知物体的环境，并通过采用现代类特定神经网络生成完整模型几何提议来施加物体先验。在真实 SLAM 场景中使用此类预测的难点在于，预测性能依赖于视点与被测质量，即便输入数据的微小变化有时也会导致网络输出的大幅波动。我们提出一种离散选择策略，通过强化与在线深度测量的一致性，从多个已配准视点的提议中选取最优者。结果是一个高效的物体级 RGBD SLAM 系统，可生成带有语义标注的紧凑、高保真且稠密的 3D 地图。在地图完整性与对退化测量质量的鲁棒性方面，它优于传统融合策略。
引用
@article{arxiv.1907.09691,
title = {Deep-SLAM++: Object-level RGBD SLAM based on class-specific deep shape priors},
author = {Lan Hu and Wanting Xu and Kun Huang and Laurent Kneip},
journal= {arXiv preprint arXiv:1907.09691},
year = {2019}
}