LEADER：用于LiDAR relocalization的学习可靠的局部到全局对应关系
计算机视觉与模式识别
2026-04-14 v1
摘要
LiDAR relocalization正受到越来越多的关注，因为它能够在复杂3D环境中提供精准的6自由度姿态估计。最近的基于学习的回归方法通过直接预测全局姿态而无需显式地图存储，提供了高效解决方案。但这些方法往往在挑战性场景中难以胜任，因为它们对所有预测点赋予相同权重，易受噪声和离群值的影响。本文提出LEADER，一个以简单且有效的几何编码器增强的稳健LiDAR relocalization框架。具体而言，首次提出了一种基于稳健投影的几何编码器架构，捕捉多尺度几何特征以增强几何表示的描述性。随后构建了截断相对可靠性损失，以建模点级歧义并减轻不可靠预测的影响。在Oxford RobotCar和NCLT数据集上进行大量实验表明，LEADER超过当前最先进方法，分别实现了24.1%和73.9%的位置误差相对降低。源代码已发布于 https://github.com/JiansW/LEADER。
引用
@article{arxiv.2604.11355,
title = {LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization},
author = {Jianshi Wu and Minghang Zhu and Dunqiang Liu and Wen Li and Sheng Ao and Siqi Shen and Chenglu Wen and Cheng Wang},
journal= {arXiv preprint arXiv:2604.11355},
year = {2026}
}
备注
Accepted to CVPR 2026 (Highlight)