跳到正文
热点事件持续更新

Stereo Visual Odometry 融合几何前馈模型实现稠密建图

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

2026 年 11 月,研究人员提出一种融合几何前馈模型的立体视觉里程计框架。该系统利用稀疏可靠的几何校准来优化稠密深度预测,旨在解决定位与重建问题。 架构上,该方法在局部子图内分层优化高频相机位姿,并通过全局因子图修正尺度不一致性。实验表明,该方案在公开及内部数据集上,相比纯几何或纯学习基线,实现了具有竞争力的精度、稠密重建能力及抗失败鲁棒性。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · 机器人与计算机视觉
    Stereo Visual Odometry with In-the-Loop Geometric Feed-Forward Models 实现稠密度量建图

    该框架融合几何前馈模型与因子图视觉里程计,利用稀疏可靠几何校准稠密深度预测以达成精准定位。分层架构在局部子图内优化高频相机位姿,并通过全局因子图修正尺度不一致性。实验表明其在公开及内部数据集上,相比几何与学习基线实现了具有竞争力的精度、稠密重建及抗失败鲁棒性。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月20日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。