GSLoc: Efficient Camera Pose Refinement via 3D Gaussian Splatting

我们利用三维高斯点插值（3DGS）作为场景表示，并提出了一种新颖的测试时间相机姿态细化框架GSLoc。该框架提高了最先进的绝对姿态回归和场景坐标回归方法的定位精度。3DGS模型呈现高质量的合成图像和深度图，以便建立2D-3D对应关系。GSLoc通过直接操作RGB图像，利用3D视觉基础模型MASt3R进行精确的2D匹配，避免了训练特征提取器或描述符的需要。为了提高我们的模型在具有挑战性的户外环境中的鲁棒性，我们在3DGS框架内加入了一个曝光自适应模块。因此，GSLoc能够在给定单个RGB查询和粗略的初始姿态估计的情况下实现高效的姿态细化。我们提出的方法在室内和室外视觉定位基准测试中都超过了领先的NeRF-based优化方法，实现了两个室内数据集的最先进精度和运行时间。

本文旨在提高绝对姿态回归和场景坐标回归方法的本地化精度，解决单个RGB查询和粗略初始姿态估计的高效姿态细化问题。

本文提出了一个新的测试时间相机姿态细化框架GSLoc，利用3D高斯喷洒（3DGS）作为场景表示，并在3DGS框架内结合曝光自适应模块提高模型的鲁棒性。

本文的亮点包括：使用3D高斯喷洒模型生成高质量的合成图像和深度图以建立2D-3D对应关系；GSLoc直接在RGB图像上操作，无需训练特征提取器或描述符；在室内和室外视觉本地化基准测试中，GSLoc优于领先的NeRF优化方法，实现了最先进的精度。

最近的相关研究包括：NeRF、MASt3R、DeepVCP等。