超越光度损失的自监督自我运动估计

准确的相对位姿是视觉里程计（VO）和同时定位与地图构建（SLAM）中的关键组成部分之一。近期，一种联合优化相对位姿和目标图像深度的自监督学习框架引起了研究社区的关注。以往的工作依赖于相邻帧之间深度和位姿生成的光度误差，但在实际场景中，由于反射表面和遮挡的存在，这种误差包含较大的系统性偏差。在本文中，我们通过在自监督框架中引入由极线几何约束的匹配损失，弥合了几何损失与光度损失之间的差距。在KITTI数据集上的评估结果显示，我们的方法大幅超越了现有的无监督自我运动估计方法。代码和数据可在https://github.com/hlzz/DeepMatchVO 获取。