LGU-SLAM:可学习的高斯不确定性匹配与可变相关采样用于深度视觉 SLAM
原文中文,约400字,阅读约需1分钟。发表于: 。本研究针对深度视觉同时定位与地图构建(SLAM)中的全局视觉相似性匹配所导致的噪声问题,提出了一种可学习的高斯不确定性匹配方法,旨在提高对应点的构建精确度。该方法通过可学习的二维高斯不确定性模型和多尺度可变相关采样策略,优化了采样过程,从而实现了可靠的相关结构构建,实验结果表明该方法在现实和合成数据集上的有效性和优越性。
本文介绍了GS-SLAM算法,首次在SLAM系统中应用3D高斯表示,提升了效率和准确性。通过自适应扩张策略重构场景几何并优化相机姿态,显著减少运行时间。该方法在Replica和TUM-RGBD数据集上表现优异,源代码将发布。