NeuraLoc: 基于双重互补特征的神经隐式地图视觉定位
计算机视觉与模式识别
2025-03-11 v1
摘要
近年来，神经辐射场（NeRF）在视觉定位领域受到了广泛关注。然而，现有的基于 NeRF 的方法要么缺乏几何约束，要么需要大量存储空间用于特征匹配，这限制了它们的实际应用。为了解决这些挑战，我们提出了一种基于具有互补特征的神经隐式地图的高效且新颖的视觉定位方法。具体而言，为了施加几何约束并减少存储需求，我们隐式地学习了一个 3D 关键点描述符场，避免了显式存储逐点特征。为了进一步解决描述符的语义歧义问题，我们引入了额外的语义上下文特征场，这提高了 2D-3D 对应关系的质量和可靠性。此外，我们提出了描述符相似度分布对齐方法，以在匹配过程中最小化 2D 和 3D 特征空间之间的域差距。最后，我们利用互补描述符和上下文特征构建匹配图，以建立准确的 2D-3D 对应关系，用于 6 自由度位姿估计。与近期基于 NeRF 的方法相比，我们的方法实现了 3 倍的训练速度提升和 45 倍的模型存储缩减。在两个广泛使用的数据集上的大量实验表明，我们的方法优于或与其他最先进的基于 NeRF 的视觉定位方法具有高度竞争力。项目页面：\href{https://zju3dv.github.io/neuraloc}{https://zju3dv.github.io/neuraloc}
引用
@article{arxiv.2503.06117,
title = {NeuraLoc: Visual Localization in Neural Implicit Map with Dual Complementary Features},
author = {Hongjia Zhai and Boming Zhao and Hai Li and Xiaokun Pan and Yijia He and Zhaopeng Cui and Hujun Bao and Guofeng Zhang},
journal= {arXiv preprint arXiv:2503.06117},
year = {2025}
}
备注
ICRA 2025