ORB-SfMLearner: 基于 ORB 的引导自监督视觉里程计与选择性在线适应
计算机视觉与模式识别
2026-01-13 v5
摘要
尽管进行了大量研究，深度视觉里程计仍在精度和可泛化性方面存在局限，限制了其更广泛的应用。为此，我们提出一种以 Oriented FAST and Rotated BRIEF(ORB)为导向的视觉里程计方法，并引入选择性在线适应，命名为 ORB-SfMLearner。我们首次将 ORB 特征用于基于学习的ego-motion估计，实现更稳健、更准确的结果。我们还引入了跨注意力机制以增强 PoseNet 的可解释性，并发现车辆的驾驶方向可通过注意力权重得到解释。为提高可泛化性，我们的选择性在线适应允许网络快速、有选择地调整以适应不同领域。在 KITI 和 vKITI 数据集上的实验表明，我们的方法在ego-motion精度和可泛化性方面均优于以往的SOTA 深度视觉里程计方法。代码已公开于 https://github.com/PeaceNeil/ORB-SfMLearner
引用
@article{arxiv.2409.11692,
title = {ORB-SfMLearner: ORB-Guided Self-supervised Visual Odometry with Selective Online Adaptation},
author = {Yanlin Jin and Rui-Yang Ju and Haojun Liu and Yuzhong Zhong},
journal= {arXiv preprint arXiv:2409.11692},
year = {2026}
}
备注
ICRA 2025; Project page: https://www.neiljin.site/projects/orbsfm/