IUP-Pose：基于隐式稠密对齐的解耦迭代不确定性传播实时相对姿态回归方法 v1
计算机视觉与模式识别
2026-03-23 v1
摘要
相对姿态估计是 SLAM、视觉定位和三维重建的基本问题。现有的相对姿态回归 (RPR) 方法面临一个关键权衡：特征匹配流程虽然实现高精度，但通过非可微 RANSAC 阻断梯度流动；而基于 ViT 的回归器虽然是端到端可训练，但对实时部署而言代价过高。我们识别出核心瓶颈在于旋转和平移估计的耦合，以及跨视图特征对齐不足。我们提出 IUP-Pose，一种几何驱动的解耦迭代框架，具备隐式稠密对齐功能。轻量级的多头双向交叉注意力 (MHBC) 模块在没有显式匹配监督的情况下实现跨视图特征对齐。对齐后的特征由解耦的旋转-平移管线处理：两个共享参数的旋转阶段迭代细化旋转并不确定性，特征图在平移预测前通过旋转单应矩阵 H_inf 重新对齐。IUP-Pose 在 MegaDepth1500 上实现了 73.3% 的 AUC@20deg，全程可微分，吞吐量达 70 FPS，仅需 37M 参数，展示了实时边缘部署的优异精度-效率权衡。
引用
@article{arxiv.2603.19625,
title = {IUP-Pose: Decoupled Iterative Uncertainty Propagation for Real-time Relative Pose Regression via Implicit Dense Alignment v1},
author = {Jun Wang and Xiaoyan Huang},
journal= {arXiv preprint arXiv:2603.19625},
year = {2026}
}