基于嵌入深度形状表示的RGBD图像稠密物体重建

现今多数涉及同时定位与建图的问题可使用两种根本不同的方法之一求解。传统方法由最小二乘目标给出，其在显式参数化的结构与相机参数上最小化许多局部光度或几何残差。违背朗伯表面假设的未建模效应或个体残差的几何不变性通过统计平均或加入鲁棒核与平滑项来处理。为追求更精确的测量模型并纳入高阶形状先验，学界近年将注意力转向深度端到端模型以求解几何定位与建图问题。然而在测试时，这些前馈模型忽略了更传统的几何或光度一致性项，从而导致恢复精细细节能力低且在极端情形下可能完全失败。以RGBD图像的稠密物体建模为应用，我们的工作旨在通过将对现代高阶物体形状先验嵌入经典迭代残差最小化目标，取两者之长。我们展示了相对任一单独模态提升建图精度的普遍能力，并给出了在真实数据上的成功应用。