Konsep Inti
軽量ニューラルネットワークを使用して、3Dポイントとライン特徴を表現し、先進的な姿勢精度を実証します。
Abstrak
最近の視覚ローカリゼーションとマッピングの進歩により、点と線特徴を統合することで成功が示されました。本研究では、軽量なニューラルネットワークを使用して、3Dポイントとライン特徴を表現し、複数の学習されたマッピングの力を利用して先進的な姿勢精度を発揮する方法を示します。具体的には、単一のトランスフォーマーブロックを使用してライン特徴をエンコードし、それらを独自のポイント様記述子に効果的に変換します。さらに、これらのポイントおよびライン記述子セットを異なるが相互に関連する特徴セットとして扱います。いくつかのグラフ層内で自己および交差注意力の統合により、各特徴が適切に洗練された後、2つのシンプルなMLPを使用して3Dマップを回帰させます。包括的な実験では、屋内ローカリゼーション調査結果はHlocおよびLimap両方で超えています。
Statistik
本研究ではHlocおよびLimap両方で超える屋内ローカリゼーション調査結果が得られました。
屋外シナリオでは、本手法は最も顕著な改善点数で他の学習ベース手法よりも優位性があります。
ネットワーク重みは約25 MBしか必要とせず、HlocやLimapが必要とする数GBと比較して非常に少ないメモリ容量です。
Kutipan
"Recent advancements in visual localization and mapping have demonstrated considerable success in integrating point and line features."
"Our method aims to map sparse descriptors directly to 3D coordinates using a neural network, which can encounter several challenges."
"To overcome the aforementioned challenges, we first drew inspiration from the principles of feature matchers, treating points and lines as two distinct yet interrelated sets of unordered descriptors."
"The proposed method addresses this burden by introducing PL2Map, a novel neural network tailored for the efficient representation of complex point and line maps."
"Our pipeline efficiently generates 2D-3D correspondences for point and line features, serving as a cost-effective alternative to conventional approaches."