What does this research mean for the field?

GO-SLAM, a deep-learning-based dense visual SLAM framework utilizing global optimization, loop closing, and online full bundle adjustment, outperforms state-of-the-art approaches in tracking robustness and 3D reconstruction accuracy across monocular, stereo, and RGB-D inputs. Novelty: ClaimNovelty.METHODOLOGICAL. Consensus alignment: ConsensusAlignment.NEUTRAL.

What question did this study set out to answer?

L'objectif est de développer un cadre d'apprentissage profond pour créer des reconstructions 3D précises et cohérentes en temps réel, minimisant les erreurs de suivi de la caméra.

October 1, 2023Open Access

GO-SLAM : Optimisation Globale pour une Reconstruction Instantanée 3D Cohérente

Key Points

L'objectif est de développer un cadre d'apprentissage profond pour créer des reconstructions 3D précises et cohérentes en temps réel, minimisant les erreurs de suivi de la caméra.
Développer un cadre GO-SLAM utilisant des représentations implicites neuronales pour le SLAM visuel dense.
Mettre en œuvre une estimation de pose robuste avec un bouclage efficace et un ajustement de bouquet complet en ligne.
Utiliser la géométrie globale apprise à partir des images d'entrée pour des mises à jour continues de la représentation de surface.
GO-SLAM a atteint une robustesse de suivi supérieure par rapport aux méthodes à la pointe de la technologie.
Des améliorations significatives de la précision de la reconstruction 3D ont été observées dans divers ensembles de données.
GO-SLAM prend en charge les entrées mono, stéréo et RGB-D, améliorant sa polyvalence.

Abstract

Les représentations implicites neuronales ont récemment montré des résultats intéressants sur la cartographie et la localisation simultanées (SLAM) denses, mais souffrent de l'accumulation d'erreurs dans le suivi de caméra et de distorsion dans la reconstruction. En réponse, nous présentons GO-SLAM, un cadre SLAM visuel dense basé sur l'apprentissage profond qui optimise globalement les poses et la reconstruction 3D en temps réel. L'estimation robuste des poses est au cœur de notre approche, soutenue par une fermeture de boucle efficace et un ajustement complet en ligne, qui optimise par image en utilisant la géométrie globale apprise de l'historique complet des images d'entrée. En même temps, nous mettons à jour la représentation de surface implicite et continue à la volée pour assurer la cohérence globale de la reconstruction 3D. Les résultats sur divers ensembles de données synthétiques et réelles montrent que GO-SLAM surpasse les approches à la pointe de la technologie en termes de robustesse de suivi et de précision de reconstruction. De plus, GO-SLAM est polyvalent et peut fonctionner avec des entrées monoculaires, stéréo et RGB-D.

Demander à l'IA

Bookmark

View Full Paper