.png){kind=icon}
返回
Dense mapping from sparse visual odometry: a lightweight uncertainty-guaranteed depth completion method
.png){kind=icon}
OA
AI
DOI：10.3389/frobt.2025.1644230.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言 视觉里程计（VO）已广泛应用于移动机器人进行空间感知。当前最先进的VO提供了稳健的定位；但由于深度数据不足，它生成的地图通常过于稀疏，不适合下游任务。尽管深度补全方法可以从稀疏数据估计密集深度，但VO中深度信号极端稀疏且高度不均匀分布（深度图像中仅约0.15%的像素可用）带来了显著挑战。
方法 为解决此问题，我们提出了一种轻量级的图像引导不确定性感知深度补全网络（IU-DC），用于完成来自VO的稀疏深度。该网络将颜色和空间信息整合到归一化卷积神经网络中，以解决稀疏性问题，并同时输出密集深度及其关联不确定性。估计的深度具有不确定性感知能力，允许过滤异常值并确保精确的空间感知。
结果 IU-DC在深度和不确定性估计精度方面相较于当前最先进方法（SOTA）在多个开源数据集上表现出更优性能。在真实世界建图任务中，通过将IU-DC与建图模块集成，我们实现了比SOTA多50倍的重建体积，并达到地面真值的78%覆盖率，精度是SOTA的两倍，尽管其仅包含0.6 M参数（仅为SOTA大小的3%）。
讨论 我们的代码将在https://github.com/YangDL-BEIHANG/Dense-mapping-from-sparse-visual-odometry/tree/d5a11b4403b5ac2e9e0c3644b14b9711c2748bf9发布。
期刊
F
IF:
3
论文数:
533
被引数:
6.9K
机构
暂无机构信息
引用论文
Simultaneous localization and mapping in a multi-robot system in a dynamic environment with unknown initial correspondence. Front. Robotics AI 10, 1291672在动态环境中具有未知初始对应关系的多机器人系统中的同时定位与建图。Front. Robotics AI 10, 1291672.png)
IF0
PREAI
分享收藏
Self-supervised monocular depth estimation for high field of view colonoscopy cameras. Front. Robotics AI 10, 1212525高视场结肠镜相机自监督单目深度估计。Front. Robotics AI 10, 1212525
IF0
PREAI
分享收藏A fast monocular 6D pose estimation method for textureless objects based on perceptual hashing and template matching一种基于感知哈希和模板匹配的快速单目6D位姿估计方法，用于无纹理物体OAAI
OAAI分享收藏
查看更多内容