Abgleich des Abfragebildes mit ausgewählten NeRF-Funktionen für eine effiziente und skalierbare Lokalisierung

Neuronale implizite Darstellungen wie NeRF haben die 3D-Szenenrepräsentation mit fotorealistischer Qualität revolutioniert. Bestehende Methoden zur visuellen Lokalisierung innerhalb von NeRF-Darstellungen leiden jedoch unter Ineffizienz und Skalierbarkeitsproblemen, insbesondere in großflächigen Umgebungen. Diese Arbeit schlägt MatLoc-NeRF vor, ein neuartiges lokalisierungsbasiertes Matching-Framework unter Verwendung ausgewählter NeRF-Funktionen. Es adressiert die Effizienz durch einen lernbaren Auswahlmechanismus für Merkmale, der informative NeRF-Funktionen zur Übereinstimmung mit Abfragebildern identifiziert. Dies beseitigt die Notwenigkeit für alle NeRF-Funktionen oder zusätzliche Beschreibungen, was zu schnellerer und genauerer Poseabschätzung führt. Um großflächige Szenen zu bewältigen, nutzt MatLoc-NeRF eine posebewusste Szenenpartitionierungsstrategie. Dadurch wird sichergestellt, dass nur der relevanteste NeRF-Teilbereich wichtige Merkmale für eine bestimmte Pose erzeugt. Darüber hinaus bieten Szenensegmentierung und ein Platzvorhersager eine schnelle grobe anfängliche Poseabschätzung. Bewertungen an öffentlichen großflächigen Datensätzen zeigen, dass MatLoc-NeRF eine überlegene Effizienz und Genauigkeit im Vergleich zu bestehenden NeRF-basierten Lokalisierungsmethoden erreicht.