CNN-SVO论文解读

最新推荐文章于 2024-03-04 19:40:45 发布

DADAPAPA

最新推荐文章于 2024-03-04 19:40:45 发布

阅读量681

点赞数

分类专栏：视觉slam 视觉slam学习

本文链接：https://blog.youkuaiyun.com/DADAPAPA/article/details/117421092

版权

本文介绍了CNN-SVO如何利用单图像深度预测改进地图点初始化，从而减少深度不确定性并提高特征匹配质量。通过深度滤波器处理三角测量的深度，实现更好的均值估计和方差减小。尽管存在地图点不确定性阈值增加、处理白色图像的深度问题和光照不变假设限制，但CNN-SVO仍展示了在半直接视觉里程计中的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

svo在初始化地图点时，有更大的深度不确定性，图1a由于有更大的极线搜索范围，导致了错误的特征匹配
这篇论文提出了一个新的地图点初始化方法，基于单图像深度预测神经网络的深度先验（以预测的深度为中心将有更小的方差），因此对应特征点的识别的不确定性减小（如图1b）。由于更好的特征匹配和深度不确定的减小，地图点的深度将会更快的收敛

svo算法的综述
略
改进的地图点初始化
cnn-svo能够获得更好的均值估计和更小的初始方差。
给定一系列三角测量的深度，深度滤波器的作用是把好的测量从坏的测量中分离出来：好的测量是关于真实深度的正态分布，坏的测量分布在在这里插入图片描述
那些给定的三角逆深度测量值对于相同的特征，在svo中使用Gaussian + Uniform mixture对这些测量值建模

where ρi is the true inverse depth, τi2 the variance of the
inverse depth, and γi the inlier ratio.
假设这些逆深度测量值是独立的
逆深度的后验估计能够被计算：深度的

最低0.47元/天解锁文章