ViBA：用于稳健视觉配准的隐式捆绑调整结合几何与时序一致性
计算机视觉与模式识别
2026-04-07 v1
摘要
大多数现有图像关键点检测和描述方法依赖带有准确姿态和深度标注的数据集，这限制了可扩展性和泛化能力，常常降低导航和定位性能。我们提出ViBA框架，集成几何优化与特征学习，支持在无约束视频流上进行持续在线训练。嵌入标准视觉里程计管线中，包含隐式可微几何残差框架：(i)用于帧间对应关系的初始跟踪网络，(ii)基于深度的离群点过滤，以及(iii)可微全局捆绑调整，通过最小化投影误差联合细化相机姿态与特征位置。将几何一致性来自BA与跨帧的长期时序一致性相结合，ViBA强制实现稳定且准确的特征表示。我们在EuRoC和UMA数据集上评估ViBA。与SuperPoint+SuperGlue、ALIKED和LightGlue等最新方法相比，ViBA在各序列中将平均绝对平移误差(ATE)降低12-18%，绝对旋转误差(ARE)降低5-10%，同时保持实时推理速度(FPS 36-91)。在未见序列上，ViBA保留超过90%的定位精度，表明其具有稳健的泛化能力。这些结果表明ViBA支持几何与时序一致性下的持续在线学习，持续改进现实场景中的导航与定位。
引用
@article{arxiv.2604.03377,
title = {ViBA: Implicit Bundle Adjustment with Geometric and Temporal Consistency for Robust Visual Matching},
author = {Xiaoji Niu and Yuqing Wang and Yan Wang and Hailiang Tang and Tisheng Zhang},
journal= {arXiv preprint arXiv:2604.03377},
year = {2026}
}