Why essential matrices? (重点,为啥用这玩意就好呢)
本文说,回归essential matrices相比较类似posenet这样的直接回归absolute pose 可以避免权重问题??(不明白啥是权重问题),导致了更加精确的结果。
文中提到densevlad相比较别的image retrieval pipeline 的泛化能力要好一些
Pair selection:
为了增加结果的精度需要保证query和database的baseline,因此topk的image retrieval结果取根上次pose的min/max距离。
Pairwise Relative Pose Estimation:
计算每个query和databse之间的essential matrices(文中作者提到了三种方法进行对比),然后每个essential matrices可以分解出4个pose矩阵(R t)。
Absolute Pose Estimation via RANSAC:
解释了两个pair match image 对可以确定r t(绝对姿态),因此在ransac框架中得到最终的absolute pose
整体pipeline如下:
![](https://i-blog.csdnimg.cn/blog_migrate/1dbba67ff319981e6bfa2075ca047319.png)
首先densevlad 进行image retrieval,然后选取pair对。之后求解pair对的E矩阵。最后ransac loop得到absolute pose
优势:比posenet这行的直接回归绝对姿态的要好一些(感觉可能是因为有ransac机制可以不同的结果之间相互校验吧)。
不用3d模型(例如点云),只需要存database image 的global feature(image retrieval使用) + pose即可 +(如果优化的话可以加上co-visibility、DBSCAN等进行优化image retrieval的结果)(存储确实很简单)
劣势:感觉时间会很慢,因此需要进行两两匹配,(印象中NC match也很慢(网络太大),可以考虑考虑换成superglue这样的gnn两层网络进行feature match)