HAL-NeRF：利用神经辐射场实现高精度定位
计算机视觉与模式识别
2025-04-15 v1
摘要
精确的相机定位是 XR 应用与机器人领域中的关键任务。仅以相机采集的图像作为系统输入是一种低成本方案，可在大规模室内外环境中实现定位，但在高精度方面仍面临挑战。具体而言，相机重定位方法（如绝对位姿回归（APR））在室外场景中的中位平移误差仍超过 。本文提出 HAL-NeRF，一种将 CNN 位姿回归器与基于蒙特卡洛粒子滤波的优化模块相结合的高精度定位方法。Nerfacto 模型（神经辐射场（NeRFs）的一种实现）被用于增强位姿回归器的训练数据，并在粒子滤波优化模块中度量光度损失。HAL-NeRF 充分利用了 Nerfacto 合成高质量新视角的能力，显著提升了定位流程的性能。HAL-NeRF 在通常以各场景中位误差的平均值作为衡量指标上取得了当前最优结果：在 7-Scenes 数据集上平移误差为 、旋转误差为 度，在 Cambridge Landmarks 数据集上分别为 和 度，代价是计算时间增加。本工作凸显了将 APR 与基于 NeRF 的优化技术相结合以提升单目相机重定位精度的潜力。
引用
@article{arxiv.2504.08901,
title = {HAL-NeRF: High Accuracy Localization Leveraging Neural Radiance Fields},
author = {Asterios Reppas and Grigorios-Aris Cheimariotis and Panos K. Papadopoulos and Panagiotis Frasiolas and Dimitrios Zarpalas},
journal= {arXiv preprint arXiv:2504.08901},
year = {2025}
}
备注
8 pages, 4 figures