GV-Bench: Benchmarking Local Feature Matching for Geometric Verification of Long-term Loop Closure Detection

视觉环路闭合检测是视觉同时定位和建图(SLAM)中的一个重要模块，它将当前相机观察与先前访问过的地方相联系。环路闭合可以纠正轨迹估计中的漂移，以构建全局一致的地图。然而，错误的环路闭合可能是致命的，因此需要验证作为一个附加步骤来拒绝假阳性环路，以确保稳健性。几何验证一直是一个被广泛认可的解决方案，利用局部特征匹配提供的空间线索来找到真正的阳性。现有的特征匹配方法侧重于长期视觉定位中的单应性和姿态估计，缺乏几何验证的参考。为了填补这一空白，本文提出了一个统一的基准，针对长期条件变化下的环路闭合检测的几何验证。此外，我们在基准下评估了六种代表性的局部特征匹配方法(手工和基于学习的)，并深入分析了它们的局限性和未来方向。

本论文旨在解决视觉SLAM中的视觉环路检测问题，即如何找到之前访问过的地方与当前观察到的地方之间的联系，以建立全局一致的地图。同时，为了确保鲁棒性，需要进行验证以拒绝错误的正环路闭合。

本论文提出了一个统一的基准，针对长期条件变化下的环路检测的几何验证，并评估了六种代表性的本地特征匹配方法（手工设计和基于学习的方法）在基准下的表现。

本论文的实验设计了一个统一的基准，包括数据集和评估指标，并通过对比分析六种本地特征匹配方法的性能，发现它们在不同场景下的表现存在差异，并提出了一些限制和未来方向。此外，该论文还提出了一种新的几何验证方法，可以在长期条件变化下实现高精度的环路检测。

最近的相关研究包括：1. “ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras”；2. “DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks”；3. “D2-Net: A Trainable CNN for Joint Detection and Description of Local Features”等。