PoGO-Net: Pose Graph Optimization with Graph Neural Networks
李欣怡 * Magic Leap，美国加利福尼亚州桑尼维尔xinli@magicleap.com
Haibin Ling † 美国纽约州斯托尼布鲁克石溪大学 hling@cs.stonybrook.edu
链接：https://www3.cs.stonybrook.edu/~hling/publication/PoGO-Net-21.pdf
摘要
准确的相机位姿估计或全局相机重定位Structure-from-Motion (SfM) 和 SLAM 系统的核心组件。给定成对的相对的相机位姿，位姿图对其进行优化（PGO），这包括到求解一组优化的全局一致的相机的绝对位姿。在这项工作中，我们提出了一种由图神经网络 (GNN) 驱动的新型 PGO 方案，即 PoGO-Net，利用multiple rotation averaging (MRA) 进行相机的绝对位姿回归。具体来说，PoGO-Net 将有噪声的视图作为输入，其中节点和边被设计为对几何约束和局部图一致性进行编码。此外，我们通过利用隐式边缘丢弃方案来解决异常边缘去除问题，其中噪声或损坏的边缘通过参数化网络有效地过滤掉。此外，我们引入了嵌入 MRA 公式的联合损失函数，使得鲁棒推理即使在大规模场景中也能够实现实时性能。我们提出的网络在公共基准上进行了端到端的训练，在广泛的实验中优于最先进的方法，这些实验证明了我
