单目移动相机的在线概率稠密重建

"这篇论文提出了一种使用单目移动相机进行在线概率稠密重建的方法，旨在解决由于视差不足、视觉尺度变化和姿态误差等问题导致的运动立体深度估计的挑战。通过利用连续深度估计的空间和时间相关性，提高了单目深度估计的鲁棒性和准确性。该方法采用在线递归的概率模型计算深度估计，并考虑相应的协方差和内点概率期望，将这些深度假设融合到具有不确定性意识的密集3D模型中。通过在TUM RGB-D SLAM & ICL-NUIM数据集上的比较以及室内和室外的在线实验，证明了所提方法的有效性和效率。" 本文关注的是移动相机的稠密重建问题，这是计算机视觉和机器人定位导航中的关键任务。传统的稠密重建技术通常依赖于立体匹配或结构光设备，但这种方法在单目相机移动时面临挑战，如视差小、视觉尺度变化和姿态估计误差等。为了解决这些问题，论文提出了一个概率框架，利用连续帧之间的空间和时间相关性来增强深度估计。 具体来说，该方法首先建立一个在线、递归的概率模型，用于计算每帧的深度估计，并同时估计其协方差和内点概率期望。协方差表示深度估计的不确定性，而内点概率期望则反映了估计的可靠性。这种概率模型允许系统处理不确定性，从而提高整体重建的准确性和鲁棒性。 将这些深度假设整合到3D模型的过程中，论文采用了考虑不确定性的方法，这意味着不仅考虑了点云的几何信息，还考虑了估计的置信度。这有助于减少错误估计对最终模型的影响，特别是在环境变化快速或光照条件复杂的情况下。 为了验证所提出的算法性能，作者在TUM RGB-D SLAM和ICL-NUIM数据集上进行了对比实验，与现有的最先进的方法进行了对比。此外，还进行了实际的室内和室外在线实验，以展示方法在不同场景下的表现。 这篇论文提供了一种创新的单目相机稠密重建方法，通过概率模型和不确定性处理，提高了移动相机在复杂环境中的重建效果和鲁棒性。这一工作对于移动机器人的自主导航、3D地图构建等领域具有重要的理论和实践意义。