基于场景补全的 RGB-D 扫描极端相对位姿估计
计算机视觉与模式识别
2019-01-08 v2
摘要
估计同一底层环境的两幅 RGB-D 扫描之间的相对刚性位姿是计算机视觉、机器人和计算机图形学中的一个基本问题。大多数现有方法只允许有限的相对位姿变化，因为它们要求输入扫描之间有相当大的重叠。我们引入了一种新颖的深度神经网络，将适用范围扩展到极端相对位姿，输入扫描之间很少甚至没有重叠。关键思想是对底层环境推断更完整的场景信息，并在补全后的扫描上进行匹配。具体而言，我们的方法不只对每幅单独扫描进行场景补全，而是在相对位姿估计和场景补全之间交替进行。这使我们能够在后期迭代中利用来自两个输入扫描的信息进行场景补全，从而在场景补全和相对位姿估计上都获得更好的结果。在基准数据集上的实验结果表明，我们的方法相对于最先进的相对位姿估计方法取得了显著改进。特别是，即使在不重叠的扫描之间，我们的方法也能提供令人鼓舞的相对位姿估计。
引用
@article{arxiv.1901.00063,
title = {Extreme Relative Pose Estimation for RGB-D Scans via Scene Completion},
author = {Zhenpei Yang and Jeffrey Z. Pan and Linjie Luo and Xiaowei Zhou and Kristen Grauman and Qixing Huang},
journal= {arXiv preprint arXiv:1901.00063},
year = {2019}
}
备注
fixed issues with bibtex file