CVPR 2021 Oral | 室内动态场景中的相机重定位
source link: https://bbs.cvmart.net/articles/4617
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
CVPR 2021 Oral | 室内动态场景中的相机重定位
2天前 ⋅ 41 ⋅ 0 ⋅ 0
全文链接：https://mp.weixin.qq.com/s/NZny2NLA_egb5STeG-cmUA
本文介绍一篇针对室内动态变化场景的相机重定位问题，提出在场景空间划分中进行路由的思想，记忆场景静态信息的同时感知场景动态信息，从而实现鲁棒的相机位姿预测。
论文：Robust Neural Routing Through Space Partitions for Camera Relocalization in Dynamic Indoor Environments
论文链接：https://arxiv.org/abs/2012.04746
在已知的室内环境中实现相机的定位和姿态估计（相机重定位）是实现场景建模和机器人导航，AR等技术的基础。当前的相机重定位技术只记录了场景的静态信息，这使得这些方法容易受到在现实世界中非常普遍的动态室内环境的攻击，因此作者们提出了一种新的离群值感知神经树，它将深度学习和决策树两种方法联系起来。
为了解决动态室内环境中相机重建的挑战，作者们提出一种新的离群值感知的神经树，以帮助建立点对应关系，以仅专注于环境的置信静态区域来进行准确的相机姿态估计。该算法主要建立在三个重要的模块上:
（a）分层空间分区，作者在3D室内场景进行分层空间分区，以构建决策树。然后，决策树中的每个分割节点不仅执行硬数据分区选择，而且实际上还执行一个物理意义上的3D几何区域。
（b）神经路由函数，给定从2D视觉观察中采样的输入点，分割节点需要确定要去的世界空间中哪个分割的子区域。这样的分类任务需要对3D环境有更多的上下文了解。因此，作者提出了一种实现为深度分类网络的神经路由函数，用于学习拆分策略。
（c）离群点剔除模块。为了处理潜在的动态输入点，作者将这些点视为离群值，并在决策树的分层路由过程中拒绝它们。具体来说，神经路由函数可以学习将动态区域中的任何输入点分类为离群值类别，从而停止对该点的任何进一步路由。
该算法演示如图1所示，作者在整个场景环境中构建一个分层空间分区，以构造一个3级4对神经树。对于从视觉观察的输入静态（绿色）或动态（红色）点，我们的神经树将它们路由到inlier（实线）或异常值（虚线）类别中。仅考虑落入Inlier类别的点，以用于相机姿势估计。
作者在相机重定位的基准RIO-10上进一步训练和测试了提出的异常感知神经树，该树旨在动态室内场景。实验结果表明，该算法在相机姿态精度方面比最新的定位方法至少好30％。进一步的分析表明，该算法对各种类型的场景变化均具有鲁棒性，并且在神经路由过程中成功拒绝了大多数动态输入样本。
版权声明：自由转载-非商用-非衍生-保持署名（创意共享3.0许可证）
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK