点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
Generalizing to the Open World Deep Visual Odometry with Online Adaptation
CVPR2021：推广到开放世界的在线自适应深度视觉里程计
【摘要】
近些年，基于学习的视觉里程计已经展现出了较为可观的结果，但预训练网络在未知环境中很容易失效。在这篇论文中，提出一个用于深度VO的在线自适应网络（借助场景不可知的几何计算和贝叶斯推理的辅助）。与基于学习的位姿估计不同，论文的苏阿女法从深度和光流中解算出位姿，同时通过在线学习新观测的不确定性不断提高单证图像的深度估计。另外，通过差分高斯牛顿层，一种在线学习光度不确定性算法也被用于进一步的深度和位姿估计。论文提出的算法在KITTI室外数据集和TUM室内数据集上得到了验证，实验证明，我们的算法在自监督VO算法中实现了最佳的泛化能力（泛化能力：机器学习算法对新样本的适应能力）。
【主要内容】
经典的SLAM/VO算法由于依赖底层特征因此在弱纹理、动态环境下表现性差，而深度神经网络可以提取高级特征和并通过学习进行端到端的推断，许多基于学习的VO算法已打破了经典V
