学习深度监督的良好匹配特征用于稠密单目重建
计算机视觉与模式识别
2018-11-21 v2
摘要
视觉 SLAM（同步定位与建图）方法通常依赖手工视觉特征或原始 RGB 值来建立图像间的对应关系。这些特征虽然适用于稀疏建图，但在进行稠密重建时，由于孔径问题，在无纹理区域常导致模糊匹配。在本文中，我们探索在稠密单目重建的匹配任务中使用学习到的特征。我们提出了一种新颖的卷积神经网络（CNN）架构以及一种深度监督特征学习方案，用于从图像中逐像素回归最适合稠密单目 SLAM 的视觉描述子。具体而言，我们的学习方案最小化多视图匹配代价体损失，该损失针对网络内多个阶段回归得到的特征，以显式学习适合由运动单目相机沿极线捕获的图像间稠密匹配的上下文特征。我们将模型中学习到的特征集成到实时稠密单目 SLAM 框架中进行深度估计，其中光度误差被我们的学习描述子误差所替代。我们在多个具有挑战性的室内数据集上的广泛评估表明，在稠密重建精度上较著名的稠密 SLAM 系统（如 DTAM）有大幅提升，且不损害其实时性能。
引用
@article{arxiv.1711.05919,
title = {Learning Deeply Supervised Good Features to Match for Dense Monocular Reconstruction},
author = {Chamara Saroj Weerasekera and Ravi Garg and Yasir Latif and Ian Reid},
journal= {arXiv preprint arXiv:1711.05919},
year = {2018}
}
备注
ACCV 2018