挑战性HDR环境中视觉里程计的基于学习的图像增强
计算机视觉与模式识别
2018-04-11 v3
摘要
视觉里程计（VO）的主要开放挑战之一是对困难光照条件或高动态范围（HDR）环境的鲁棒性。这些情况下的主要困难既来自传感器的限制，也来自由于VO中大胆的假设（如亮度恒常性）而无法成功跟踪兴趣点。我们从深度学习角度解决此问题，为此我们首先微调一个深度神经网络（DNN），以获得用于VO的序列的增强表示。然后，我们展示了插入长短期记忆（LSTM）如何使我们获得时间一致的序列，因为估计依赖于先前状态。然而，使用非常深的网络无法插入实时VO框架；因此，我们还提出了一种尺寸缩小的卷积神经网络（CNN），能够更快地执行。最后，我们通过将两种架构产生的序列在几种最先进的VO算法（如ORB-SLAM和DSO）中进行评估，验证了增强表示。
引用
@article{arxiv.1707.01274,
title = {Learning-based Image Enhancement for Visual Odometry in Challenging HDR Environments},
author = {Ruben Gomez-Ojeda and Zichao Zhang and Javier Gonzalez-Jimenez and Davide Scaramuzza},
journal= {arXiv preprint arXiv:1707.01274},
year = {2018}
}