透过怀疑之镜：面向视觉地点识别的鲁棒且高效的不确定性估计
计算机视觉与模式识别
2025-10-16 v1 机器人学
摘要
视觉地点识别（VPR）使机器人和自动驾驶车辆能够通过将当前观测与已知地点数据库进行匹配，来识别先前访问过的位置。然而，当部署在变化的视觉环境、光照条件、季节变化和视角变化中时，VPR 系统面临重大挑战。对故障敏感的 VPR 应用，例如同步定位与地图构建（SLAM）流程中的闭环检测，需要对地点匹配不确定性进行鲁棒估计。我们提出了三种无需训练的不确定性度量，通过分析任何现有 VPR 方法中相似度分数的固有统计模式来估计预测置信度。相似度分布（SD）通过测量候选者之间的分数分离程度来量化匹配的独特性；比率扩散（RS）评估高分位置之间的竞争模糊性；统计不确定性（SU）是 SD 和 RS 的组合，提供了一个统一的度量，能够跨数据集和 VPR 方法进行泛化，而无需验证数据来选择最优度量。所有三种度量均无需额外的模型训练、架构修改或计算昂贵的几何验证。在九种最先进的 VPR 方法和六个基准数据集上的全面评估证实，我们的度量在区分正确和错误的 VPR 匹配方面表现出色，并且始终优于现有方法，同时保持可忽略的计算开销，使其能够在各种环境条件下部署于实时机器人应用，并具有改进的精确率-召回率性能。
引用
@article{arxiv.2510.13464,
title = {Through the Lens of Doubt: Robust and Efficient Uncertainty Estimation for Visual Place Recognition},
author = {Emily Miller and Michael Milford and Muhammad Burhan Hafez and SD Ramchurn and Shoaib Ehsan},
journal= {arXiv preprint arXiv:2510.13464},
year = {2025}
}