动静态场景位姿精度领先
不同于单一特征或单一回归的方法，该网络通过融合学习特征与手工特征并加入动态感知分支，在静态与动态场景下均实现最先进的相机重定位精度。
Wang, Junyi · 齐越
Pattern Recognition 2024
通过动态分割分支识别并排除移动物体，避免动态干扰导致定位失败，在动态场景下仍保持高精度。
在基于学习特征的粗定位之后，利用手工特征建立特征空间并通过PnP或Kabsch算法进行细化，显著提高最终位姿精度。
定义粗定位和细化阶段的度量指标，评估各阶段结果的可靠性，据此融合输出，提升整体鲁棒性。