对选定的 NeRF 特征进行高效可扩展定位的查询图像匹配
原文中文，约300字，阅读约需1分钟。发表于：。MatLoc-NeRF 是一种使用选定的 NeRF 特征的基于匹配的定位框架，以提高效率和准确度，通过采用可学习的特征选择机制来消除对所有 NeRF 特征或附加描述符的需求，并利用姿态感知场景分区策略和场景分割器提供快速的粗略初始姿态估计。与现有的基于 NeRF 的定位方法相比，MatLoc-NeRF 在公共大规模数据集上表现出了更高的效率和准确度。
本文提出了一种将新视角合成应用于机器人重定位问题的方法，通过NeRF算法渲染额外合成数据集，选择虚拟相机位置，改进了姿态回归器的定位精度。结果显示，该方法在Cambridge地标和7景数据集上的误差大幅降低，并与基于结构的方法相媲美。该方法无需架构修改或领域适应性约束，可以产生大量训练数据。研究还发现，相机姿态回归的精度主要受到数据集大小和分布的限制，而非姿态回归模型的能力。同时，采用合成的逼真图像进行数据增强。
