返回
Visual Localization Using Implicit Representations and Particle Filtering-Based Pose Refinement
DOI:10.1109/ACCESS.2026.3659994.png)
摘要
En 中文
本研究提出了HAL-NeRF v2,一种将直接位姿回归与基于蒙特卡洛的细化相结合的定位流程,应用于神经场景表示。基于原始HAL-NeRF框架,所提出的系统在位姿回归器训练期间利用高斯Splatting进行快速、高细节的合成视图生成,并使用NeRFs进行高效的位姿细化。细化阶段被重新设计,采用Cauchy损失、系统重采样和最大似然估计,而非HAL-NeRF步骤,以提升在存在临时元素和/或映射不完整场景中的收敛稳定性。此外,HAL-NeRF v2在细化过程中并行评估多个渲染视图,使粒子滤波器能够快速消除候选视点的歧义。Cambridge Landmarks数据集的实验结果表明,其精度与HAL-NeRF v1相当(中位数平移/旋转误差为0.09 m/0.61°),同时实现了运行时间减少25倍。
Keyword:
Gaussian splatting
monocular localization
NeRFs
particle filter
pose refinement
visual localization
期刊
IF:
3.6
论文数:
9.8W
被引数:
36.3W

