在线进行：适配场景坐标回归网络预测以实现在线 RGB-D 相机重定位

许多应用需要相机在线重定位，而无需在目标场景上进行昂贵的离线训练。虽然关键帧与稀疏关键点匹配方法均可在线使用，但前者常偏离训练轨迹即失效，后者在缺乏纹理区域中表现不佳。相比之下，场景坐标回归（SCoRe）方法可泛化至新位姿，并能利用稠密对应提升鲁棒性；近期工作展示了如何在不同场景间适配 SCoRe 森林，从而使其最优性能可在线发挥。然而，由于它们使用为室内手工设计的特征，对更困难室外场景泛化不佳。尽管可用神经网络替代森林并学习适合室外的特征，但用于场景间适配森林的技术却难以迁移至网络语境。本文中，我们提出一种新方法，利用在一场景上训练的网络预测另一场景中的点。我们的方法将以回归森林分支结构完成的表观聚类，替换为两步过程：首先用网络预测原场景中的点，再用这些预测点查找新场景中点的聚类。实验表明，我们的在线方法在 7-Scenes 与 Cambridge Landmarks 数据集上均达到最优性能，且运行时间低于 300ms，因而在实时场景中极为有效。