KrMzyc的博客

提出了一种名为 UnDeepVO 的新型单目视觉里程计（VO）系统。UnDeepVO 能够使用深度神经网络估计单目相机的 6-DoF 位姿及其视图深度两个显着特征：一是无监督深度学习方案，二是绝对规模恢复Fig. 1UnDeepVO 的系统概括。在使用未标记的立体图像进行训练后，UnDeepVO 可以同时使用单目图像进行视觉里程计和深度估计。估计的 6-DoF 位姿和深度图均已缩放，无需进行缩放后处理。

尽管基于学习的方法在单视图深度估计和视觉里程计方面显示出有希望的结果，但大多数现有方法以监督方式处理任务。最近的单视图深度估计方法探索了通过最小化光度误差在没有完全监督的情况下学习的可能性探索使用立体序列来学习深度和视觉里程计，框架能够从单目序列估计单视图深度和双视图里程计单视图深度和视觉里程计的联合训练可以改善深度预测，因为对深度施加了额外的约束，并实现了视觉里程计的有竞争力的结果基于深度特征的扭曲损失改进了单视图深度估计和视觉里程计的简单光度扭曲损失。

与现有的VO和V-SLAM算法相比，半直接视觉里程计（SVO）具有两个主要优势，可以实现最先进的帧速率相机运动估计：直接像素对应和概率映射方法的高效实现根据单图像深度预测网络的深度预测，对特征位置深度的均值和方差进行初始化，从而改进了SVO映射通过显著降低初始化地图点的深度不确定性（即，以深度预测为中心的小方差）其好处是双重的：视图之间的可靠特征对应关系和快速收敛到真实深度以创建新的地图点。

本文从深度学习的角度研究视觉里程计（VO）。由于 VO 问题通常被表述为纯几何问题，当前 VO 系统仍然缺少的关键特征之一是通过学习自动获取知识和提高性能的能力本文研究了深度神经网络是否可以有效且有益于 VO 问题针对基于深度循环卷积神经网络 (RCNN) 的单目 VO，提出了一种端到端、序列到序列概率视觉里程计 (ESP-VO) 框架它以端到端的方式进行训练和部署，即直接从一系列原始图像（视频）中推断姿势和不确定性它。