MambaVO：基于顺序匹配细化和训练平滑的深度视觉里程计
计算机视觉与模式识别
2025-04-08 v2
摘要
深度视觉里程计通过学习优化技术取得了显著进展。该方法严重依赖跨帧的视觉匹配。然而，挑战场景下的模糊匹配会导致几何建模和束调整优化中的显著误差，削弱姿态估计的准确性和鲁棒性。为此，本文提出了 MambaVO，进行稳健初始化、Mamba 式顺序匹配细化和平滑训练，以提升匹配质量并改善姿态估计。具体而言，新帧通过半稠密的几何初始化模块(GIM)匹配于保持的点-帧图(PFG)中最近的关键帧。随后，对初始化的 PFG 进行处理，经提出的几何 Mamba 模块(GMM)处理，利用匹配特征细化整体帧间匹配。最终，经由可微束调整优化姿态和地图。为解决梯度方差问题，提出趋势感知惩罚(TAP)，平滑训练以增强收敛和稳定性。最后应用闭环模块以实现 MambaVO++。在公开基准测试中，MambaVO 和 MambaVO++ 均表现出 SOTA 水平，同时实现实时运行。
引用
@article{arxiv.2412.20082,
title = {MambaVO: Deep Visual Odometry Based on Sequential Matching Refinement and Training Smoothing},
author = {Shuo Wang and Wanting Li and Yongcai Wang and Zhaoxin Fan and Zhe Huang and Xudong Cai and Jian Zhao and Deying Li},
journal= {arXiv preprint arXiv:2412.20082},
year = {2025}
}