跳到正文
arXiv · 机器人与计算机视觉· Zhisong Xu, Fan Zhu, Jiawei Qian, Ziyu Chen, Zhenjun Zhao, Javier Civera·· 2026-10-06精选AI 评分82

F$^2$ SLAM:将前馈几何转化为持久因子的 SLAM 方法

F$^2$ SLAM: Turning Feed-Forward Geometry into Persistent Factors for SLAM

AI 导读

论文提出 F$^2$SLAM,通过将前馈 3D 模型直接转化为优化原生目标权重测量并附加到持久稠密因子图,解决了现有方法仅事后对齐导致多视图证据未进入优化器的问题。

推荐理由

该方法将前馈几何直接转化为优化原生因子,在 Replica 数据集上将未标定状态下的平均 ATE RMSE 从 0.030 m 降至 0.002 m。

来源:arXiv · 机器人与计算机视觉 · arxiv.org