UnLoc：利用深度不确定性进行平面图定位
计算机视觉与模式识别
2026-03-17 v2
摘要
我们提出 UnLoc，一个高效的数据驱动平面图内顺序相机定位解决方案。平面图数据易于获取、长期持久且不受视觉外观变化的影响。我们解决了近期方法的关键局限性，例如在深度预测中缺乏不确定性建模以及需要针对每个环境训练自定义深度网络的需求。我们引入一种新型概率模型，纳入不确定性估计，将深度预测建模为显式的概率分布。通过利用开箱即用的预训练单目深度模型，我们消除了依赖于每个环境训练深度网络的需求，增强了对未知空间的泛化能力。我们在大规模合成数据和真实世界数据集上评估了 UnLoc，证明其在准确性和鲁棒性方面显著优于现有方法。值得注意的是，在具有挑战性的 LaMAR HGE 数据集上，我们实现的在长序列（100帧）上的定位召回率比最先进方法高2.7倍，在短序列（15帧）上则高出42.2倍。
引用
@article{arxiv.2509.11301,
title = {UnLoc: Leveraging Depth Uncertainties for Floorplan Localization},
author = {Matthias Wüest and Francis Engelmann and Ondrej Miksik and Marc Pollefeys and Daniel Barath},
journal= {arXiv preprint arXiv:2509.11301},
year = {2026}
}