通过空间划分的鲁棒神经路由实现动态室内环境下的相机重定位
计算机视觉与模式识别
2021-04-06 v2
摘要
在已知室内环境中对相机进行定位是场景建图、机器人导航、增强现实(AR)等的关键基础模块。近期的方法通过在二维/三维相机空间坐标与三维世界空间之间建立的2D/3D-3D对应关系上进行优化来估计相机位姿。这种映射仅使用静态输入图像序列,通过卷积神经网络或决策树来估计,这使得这些方法在真实世界中十分常见却极具挑战性的动态室内环境下十分脆弱。为解决上述问题,本文提出一种新颖的离群点感知神经树,它桥接了深度学习与决策树方法两个世界。它基于三个重要模块构建:(a) 在室内场景上的分层空间划分以构建决策树;(b) 一个神经路由函数,实现为深度分类网络,用于更好的三维场景理解;以及(c) 一个离群点拒绝模块,用于在分层路由过程中过滤掉动态点。我们提出的算法在针对动态室内环境相机重定位开发的RIO-10基准上进行了评估。它通过空间划分实现了鲁棒的神经路由,在相机位姿精度上比最先进(state-of-the-art)方法高出约30%,同时评估运行速度相当快。
引用
@article{arxiv.2012.04746,
title = {Robust Neural Routing Through Space Partitions for Camera Relocalization in Dynamic Indoor Environments},
author = {Siyan Dong and Qingnan Fan and He Wang and Ji Shi and Li Yi and Thomas Funkhouser and Baoquan Chen and Leonidas Guibas},
journal= {arXiv preprint arXiv:2012.04746},
year = {2021}
}