Die Studie befasst sich mit der Herausforderung, visuelle Lokalisierung unter anspruchsvollen Bedingungen wie Nachtszenarien, widrige Witterung und saisonale Veränderungen durchzuführen. Viele frühere Studien haben sich darauf konzentriert, die Leistung des Bildabgleichs zu verbessern, um zuverlässige dichte Schlüsselpunktübereinstimmungen zwischen Bildern zu ermöglichen. Bestehende Methoden verlassen sich jedoch oft stark auf vordefinierte Featurepunkte in einem rekonstruierten 3D-Modell. Infolgedessen übersehen sie häufig nicht beobachtete Schlüsselpunkte während des Matching-Prozesses, was zu einer deutlichen Genauigkeitsreduktion führt, insbesondere in verrauschten Szenen.
Um dieses Problem anzugehen, schlägt die Studie eine neuartige Lokalisierungsmethode vor, die zuverlässige semi-dichte 2D-3D-Matching-Punkte auf der Grundlage dichter Schlüsselpunktübereinstimmungen extrahiert. Dieser Ansatz beinhaltet das Regressieren semi-dichter 2D-Schlüsselpunkte in 3D-Szenenkoordinaten mithilfe eines Point Inference Network (PIN). Das Netzwerk nutzt sowohl geometrische als auch visuelle Hinweise, um 3D-Koordinaten für nicht beobachtete Schlüsselpunkte aus den beobachteten effektiv abzuleiten. Die Fülle an Matching-Informationen verbessert die Genauigkeit der Kameraposenschätzung erheblich, selbst in Szenarien mit verrauschten oder spärlichen 3D-Modellen.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Khang Truong... às arxiv.org 03-21-2024
https://arxiv.org/pdf/2402.08359.pdfPerguntas Mais Profundas