光流分解自监督位姿网络

免深度网络快训

通过极线损失与光流分解损失，仅用光流即可估计相机自运动，无需额外深度网络，训练更快且精度超越部分监督方法。

Xie, Chen · Hao, Ning · Yao, Haodi · 贺风华

IEEE Transactions on Instrumentation and Measurement 2025

技术优势

不用深度网络

仅用光流即可估计位姿，省去联合训练深度网络的步骤，训练耗时和显存占用都更小。

精度超部分监督

在多个公开数据集与自采数据集上，长序列位姿精度不仅领先其他自监督方法，还超过了一些监督方法。

应用场景

• 视觉里程计：为VO提供一种无需深度网络、训练更快的自监督前端，可长序列稳定估计位姿。
• 无人机导航：可用机载相机光流实时估计无人机位姿，辅助导航，无需深度传感器。
• 移动机器人：为移动机器人提供轻量、低内存的视觉位姿估计，适合嵌入式平台部署。
• 同步定位与建图：作为SLAM系统的前端里程计模块，不依赖深度网络，可加速整体建图流程。
• 运动估计：提供一种基于光流分解的自监督运动估计方案，可处理含动态物体的场景。