LGU-SLAM: 可学习高斯不确定性匹配与可变形相关采样用于深度视觉SLAM
计算机视觉与模式识别
2024-10-31 v1
摘要
深度视觉同时定位与映射（SLAM）技术，例如DROID，通过利用密集流场上的深度视觉里程计取得了显著进展。一般来说，它们严重依赖全局视觉相似性匹配。然而，不确定区域中模糊的相似性干扰往往导致对应点中的过多噪声，最终误导SLAM的几何建模。为了解决这一问题，我们提出了一种可学习高斯不确定性（LGU）匹配。它主要关注精确的对应点构建。在我们的方案中，设计了一个可学习的二维高斯不确定性模型来关联匹配帧对。它可以为每个对应点图生成输入依赖的高斯分布。此外，设计了一种多尺度可变形相关采样策略，通过先验查找范围自适应地精细调节每个方向的采样，从而实现可靠的相关性构建。此外，采用了KAN-bias GRU组件来改进时间迭代增强，以在有限参数下完成复杂的时空建模。在真实和合成数据集上进行了广泛实验以验证我们方法的有效性和优越性。
引用
@article{arxiv.2410.23231,
title = {LGU-SLAM: Learnable Gaussian Uncertainty Matching with Deformable Correlation Sampling for Deep Visual SLAM},
author = {Yucheng Huang and Luping Ji and Hudong Liu and Mao Ye},
journal= {arXiv preprint arXiv:2410.23231},
year = {2024}
}