SuperPoint-SLAM3：将深度特征、自适应 NMS 和学习型闭环引入 ORB-SLAM3
计算机视觉与模式识别
2026-02-02 v2 机器人学
摘要
视觉同步定位与地图构建 (SLAM) 必须在极端视点、尺度和光照变化下保持准确性。广泛采用的 ORB-SLAM3 在这些情境下表现不足，因为它依赖手工设计的 ORB 关键点。我们引入 SuperPoint-SLAM3，作为即插即用的升级方案 (i) 用自监督 SuperPoint 检测器-描述子取代 ORB，(ii) 通过自适应非最大抑制 (ANMS) 实现空间均匀的关键点，以及 (iii) 集成轻量级 NetVLAD 地点识别头，用于学习型闭环检测。在 KITTI Odometry 数据集上，SuperPoint-SLAM3 将平均平移误差从 4.15% 降至 0.34%，平均旋转误差从 0.0027 deg/m 降至 0.0010 deg/m。在 EuRoC MAV 数据集上，两项误差在每个序列上大约减半（例如 V2_03：1.58% -> 0.79%）。这些提升确认了将现代深度特征与学习型闭环模块融合显著提高了 ORB-SLAM3 的准确性，同时保持其实时运行能力。实现代码、预训练权重和可重复性脚本已在 https://github.com/shahram95/SuperPointSLAM3 提供。
关键词
引用
@article{arxiv.2506.13089,
title = {SuperPoint-SLAM3: Augmenting ORB-SLAM3 with Deep Features, Adaptive NMS, and Learning-Based Loop Closure},
author = {Shahram Najam Syed and Ishir Roongta and Kavin Ravie and Gangadhar Nageswar},
journal= {arXiv preprint arXiv:2506.13089},
year = {2026}
}
备注
10 pages, 6 figures, code at https://github.com/shahram95/SuperPointSLAM3