HypLiLoc：基于双曲融合的高效 LiDAR 位姿回归
计算机视觉与模式识别
2023-05-26 v2
摘要
LiDAR 重定位在许多领域发挥着关键作用，包括机器人、自动驾驶和计算机视觉。基于 LiDAR 的数据库检索通常带来高计算存储成本，且若数据库过于稀疏可能导致全局不准确的位姿估计。另一方面，位姿回归方法将图像或点云作为输入并以端到端方式直接回归全局位姿。它们不进行数据库匹配，且比检索技术计算更高效。我们提出 HypLiLoc，一种用于 LiDAR 位姿回归的新模型。我们使用双分支骨干网络分别提取 3D 特征与 2D 投影特征。我们考虑在欧氏空间与双曲空间中进行多模态特征融合，以获得更有效的特征表示。实验结果表明，HypLiLoc 在室外与室内数据集上均达到最先进（SOTA）性能。我们还对框架设计进行了广泛的消融研究，证明了多模态特征提取与多空间嵌入的有效性。我们的代码发布于：https://github.com/sijieaaa/HypLiLoc
引用
@article{arxiv.2304.00932,
title = {HypLiLoc: Towards Effective LiDAR Pose Regression with Hyperbolic Fusion},
author = {Sijie Wang and Qiyu Kang and Rui She and Wei Wang and Kai Zhao and Yang Song and Wee Peng Tay},
journal= {arXiv preprint arXiv:2304.00932},
year = {2023}
}
备注
Accepted by CVPR 2023