Attenuation-Aware Weighted Optical Flow with Medium Transmission Map for Learning-based Visual Odometry in Underwater terrain

本文讨论了如何通过融合水下光学成像原理来改进基于单目视觉的水下视觉里程计（VO）的学习方法，以提高自主水下车辆（AUV）的VO系统的精度。介绍了一种新的方法wflow-TartanVO，利用水下成像的固有特性来调整光流估计，从而提高了VO系统的精度。该方法利用归一化的介质透射图作为权重图，以调整估计的光流，强调具有较低退化的区域并抑制受水下光散射和吸收影响的不确定区域。wflow-TartanVO不需要对预训练的VO模型进行微调，从而提高了其适应不同环境和相机模型的能力。对不同的真实水下数据集进行评估，证明了wflow-TartanVO在绝对轨迹误差（ATE）显著降低方面优于基线VO方法。实现代码可在以下网址找到：https://github.com/bachzz/wflow-TartanVO。

提高水下环境下基于学习的单目视觉里程计（VO）的精度，解决光散射和吸收等问题。

利用水下成像的固有属性，引入归一化介质透射图作为权重图，调整估计的光流以强调降解较小的区域并抑制受水下光散射和吸收影响的不确定区域。

wflow-TartanVO不需要微调预训练的VO模型，因此有利于其适应不同的环境和相机模型。在不同的水下数据集上评估表明，wflow-TartanVO相对于基线VO方法的绝对轨迹误差（ATE）显著降低。

近期的相关研究包括“基于深度学习的水下图像增强”和“水下图像去雾技术的综述”。