通过深度图共识进行视觉回环检测
计算机视觉与模式识别
2025-05-29 v1 机器人学
摘要
视觉回环检测传统上依赖位置识别方法检索候选回环，并使用计算代价高昂的基于 RANSAC 的几何验证进行验证。由于误报回环会显著降低下游位姿图估计的精度，在在线同时定位与建图场景中验证大量候选回环受到有限时间和计算资源的约束。尽管大多数深度回环检测方法仅在关键帧对上进行操作，我们通过在检测回环时考虑多个关键帧的邻域来放宽这一约束。在本研究中，我们引入了 LoopGNN，这是一种图神经网络架构，通过利用通过位置识别检索到的视觉相似关键帧团来估计回环共识。通过在团的节点之间传播深度特征编码，我们的方法在保持高召回率的同时产生了高精度的估计。在 TartanDrive 2.0 和 NCLT 数据集上的广泛实验评估表明，LoopGNN 优于传统基线方法。此外，跨各种关键点提取器的消融研究表明，无论使用何种类型的深度特征编码，我们的方法都具有鲁棒性，并且与经典的几何验证基线相比展现出更高的计算效率。我们在 https://loopgnn.cs.uni-freiburg.de 发布了我们的代码、补充材料和关键帧数据。
引用
@article{arxiv.2505.21754,
title = {Visual Loop Closure Detection Through Deep Graph Consensus},
author = {Martin Büchner and Liza Dahiya and Simon Dorer and Vipul Ramtekkar and Kenji Nishimiya and Daniele Cattaneo and Abhinav Valada},
journal= {arXiv preprint arXiv:2505.21754},
year = {2025}
}