Learning Neural Volumetric Pose Features for Camera Localization

我们介绍了一种新颖的神经体积姿态特征，称为PoseMap，旨在通过封装图像和相关相机姿态之间的信息来增强相机定位。我们的框架利用了绝对姿态回归（APR）架构和增强的NeRF模块。这种集成不仅有助于生成丰富训练数据集的新视图，还能够学习有效的姿态特征。此外，我们还扩展了我们的架构以进行自监督在线对齐，使我们的方法能够在统一框架内用于未标记的图像并进行微调。实验表明，我们的方法在室内和室外基准场景中平均获得了14.28%和20.51%的性能提升，优于具有最先进准确性的现有APR方法。

论文旨在提高相机定位的精度，通过引入一种新的神经体积姿态特征PoseMap来实现。同时，论文试图解决如何在无标签图像上进行自监督在线对齐的问题。

论文提出了一种结合了绝对姿态回归（APR）架构和增强的NeRF模块的框架，用于学习有效的姿态特征。该框架不仅可以生成新视角以丰富训练数据集，还可以用于无标签图像的自监督在线对齐。

论文在室内和室外基准场景上的实验表明，该方法的性能比现有的APR方法具有更高的精度，平均性能提高了14.28%和20.51%。论文使用了开源数据集和代码，并且提供了详细的实验结果和分析。

近期在这个领域中的相关研究包括：DeepSDF、NeRF、PIFu、AtlasNet等。