PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.27952v2cs.CV

Con-DSO: RGB-D 직접 희소 주행거리 측정을 위한 단기 일관성 사전확률 학습

Con-DSO: Learning Short-Horizon Consistency Priors for RGB-D Direct Sparse Odometry

RGB-D 직접 시각적 주행거리 측정(VO)은 미터법 깊이 측정값의 이점을 활용하지만, 직접 정렬(direct alignment)의 광도 및 기하학적 일관성 가정을 위반하는 동적 객체, 가림, 조명 변화, 신뢰할 수 없는 깊이가 존재하는 경우 성능이 저하되는 경우가 많습니다. 본 논문에서는 통합된 학습 기반 불확실성 모델을 통해 이러한 문제를 해결하는 일관성 인식 RGB-D 직접 희소 주행거리 측정 프레임워크인 Con-DSO를 제안합니다. 이중 브랜치 일관성 네트워크는 인접한 RGB-D 프레임 쌍에서 흐름 유도(flow-guided) 광도 오차 및 투영 깊이 일관성 오차를 사용하여 학습되어 픽셀 수준의 광도 및 기하학적 불확실성을 예측합니다. 예측된 불확실성은 먼저 쌍별 품질로 변환되어 지지 픽셀 선택을 유도하며, 이후 인접한 프레임 쌍에 걸쳐 융합되어 키프레임 기반 추적을 위한 호스트 측 품질 사전확률(prior)을 형성합니다. 직접 RGB-D 최적화에서 광도 및 깊이 정보의 서로 다른 역할을 고려하기 위해, 자세 추정의 병진(translational) 성분에만 기하학적 가중치를 적용하는 분리된 광도-기하학적 가중치 체계를 통해 품질 사전확률을 통합합니다. 5개의 공개 RGB-D 벤치마크에 대한 실험은 직접 RGB-D 주행거리 측정 베이스라인 대비 일관된 성능 향상을 보여주며, ICL-NUIM에서 절대 궤적 오차를 20% 이상 감소시키고 RGB-D Scenes V2, TUM/BONN, OpenLORIS에서 약 50%에서 80%의 감소를 달성합니다. 이러한 결과는 학습된 일관성 인식 불확실성이 까다로운 환경에서 RGB-D 직접 시각적 주행거리 측정의 강인성을 실질적으로 향상시킬 수 있음을 보여줍니다.