作者丨黄浴@知乎
编辑丨3D视觉工坊
在2021.6接收于IEEE Robotics And Automation Letters的论文“CodeMapping: Real-Time Dense Mapping for Sparse SLAM using Compact Scene Representations“，arXiv在 2021.7.19上传，作者来自著名的伦敦帝国学院Andrew J. Davison组。
本文为稀疏视觉 SLAM 系统提出了一种利用紧凑场景表示的致密制图框架。当今稀疏视觉 SLAM 系统可以准确可靠地估计相机轨迹和地标（landmarks）位置。虽然这些稀疏地图对定位很有用，但它们不能用于其他如避障或场景理解等任务。
本文的框架将 SLAM 系统产生的相机姿势、关键帧和稀疏点作为输入，并为每个关键帧预测致密深度图像。基于作者之前的工作CodeSLAM （““CodeSLAM — learning a compact, optimisable representation for dense visual SLAM”，CVPR'18），加入变分自动编码器 (VAE)，以灰度、稀疏深度和来自稀疏 SLAM 的重投影误差图像为条件，预测不确定性-觉察的致密深度图。然后，VAE 使得多视图优化改进致密深度图像，提高了重叠帧的一致性。制图模块以松散耦合的方式与 SLAM 系统并行地单线程运行。这种设计可与任意量度的稀疏 SLAM 系统集成，不会延迟SLAM主过程。致密制图模块不仅可以用于局部制图，还可以通过 TSDF 融合进行全局一致的致密3D 重建，在实验中以ORB-SLAM3为例。
注：和本文思想相似的是CodeVIO（“CodeVIO: Visual-inertial odometry with learned optimizable dense depth,” arXiv:2012.10133, 2020），也是基于类似CodeSLAM VAE方法。
如图是系统概览图：致密制图模块订阅BA得到的稀疏点集和相机姿态，在单线程中运行致密预测和多视图优化。
该系统启动一个 SLAM 进程（跟踪、本地和全局地图线程）和一个连续并行运行的致密地图进程，直到输入的数据流停止。这项工作用 ORB-SLAM3 作为稀疏 SLAM 系统，支持多模态传感器输入，显示出最佳的性能。
SLAM进程
跟踪：使用传感器信息来估计相机相对于现有地图的姿态。在ORB-SLAM3 运行pose-only BA，最大限度地减少当前图像和地图之间匹配特征的重投影误差；这个过程实时地在每个输入帧完成，并且判断当前帧是否关键帧。
地图：运行BA做姿态和几何细化。ORB-SLAM3 为此运行局部和全局BA；局部BA仅用少量关键帧进行优化，而全局BA用整个图（graph）。每次局部BA后，SLAM 线程将数据从四个关键帧的窗口传输到致密制图（Dense Mapping）线程；四个关键帧包括最新的关键帧和基于 ORB-SLAM3 的共见性（covisibility）标准挑选的前三个共见（covisible）关键帧。关键帧数据由各自的相机姿态、稀疏深度和重投影误差图像组成；每个稀疏深度图通过关键帧的投影 3D 地标（landmarks）获得，重投影误差图的计算通过每个 3D 地标投影到所有可观测帧的相应匹配ORB特征位置得到的平均距离。与其他帧无匹配的新校准（registered）关键点，其重投影误差初始化为一个很大值 (比如10)。
致密制图进程
稀疏-致密预测：致密制图线程接收到来自 SLAM 线程的关键帧数据，检查该关键帧数据是否已经处理过；如果不，用稀疏深度和重投影误差输入图像运行深度补全（depth completion）VAE，预测初始密集深度图。深度补全 VAE 为预测的致密深度图生成低维潜码，用于之后的多视图优化。
多视图优化：初始预测之后，深度图通过SLAM 系统提供的相机姿态的滑动窗多视图优化进行细化（如下图所示）；继续作者之前的工作DeepFactors （“DeepFactors: Real-time probabilistic dense monocular SLAM,” IEEE Robotics and Automation Letters, 2020）提出的基于因子图（factor graph）优化，考虑了重叠帧之间不同类型的因子（Photometric Factor、Reprojection Factor和Sparse Geometric Factor）；其中仅优化每帧代码，而不优化相机姿态，因为假设来自稀疏 SLAM 的姿态已经足够准确，并且逐像素致密对齐（dense alignment）不太可能进一步提高准确性。
（左：稀疏SLAM点，中：初始深度补全，右：5-视角的优化）
如图说网络架构图：是DeepFactors的CVAE继续扩展结果。
顶网络是一个 U-Net，将灰度图像与稀疏深度和稀疏 SLAM 系统的重投影误差图连接起来作为输入。与 CodeSLAM 和 DeepFactors 类似，深度和重投影误差值用邻近参数化（proximity parametrization）归一化到范围 [0, 1]。该网络通过多个卷积层计算特征，并输出深度不确定性（depth uncertainty ）预测。
如下图给出的深度预测，没有考虑重投影误差的条件：红点由稀疏 SLAM 生成，网络完成致密几何重建。蓝色圆圈部分，突出显示的是预测受到的严重SLAM 点异常值影响。
备注：感谢微信公众号「3D视觉工坊」整理。
与内点相比，出格点往往具有更高的平均重投影误差值。因此，在 U-Net 输入包含稀疏重投影误差图，为网络提供每点的不确定性。底网络是由一个取决于分解特征的 VAE。这个网络生成潜码、致密深度预测和不确定性图 （uncertainty map）。该网络的损失函数由深度重建损失和KL散度损失组成。
深度重建损失定义为：
遵循其训练/测试数据拆分，使用ScanNet 数据集大概0.4M图像。ScanNet 包含 Kinect 相机拍摄的各种室内 RGBD 图像。为生成稀疏深度输入，在彩色图像做ORB 关键点检测，并从每个 Kinect 深度图选择 1000 个关键点。VAE 的输入是原始 Kinect 深度图像，在当前姿态渲染给定 3D 场景模型获得深度图，作为损失函数的真值深度。
要生成重投影误差图不太简单，处理时间长，在整个 ScanNet 数据集运行 SLAM 系统不可行。相反，文章提出一种在训练期间模拟重投影错误的方法。ORB-SLAM3 的重投影误差分布在不同序列之间相似，并且非常类似于指数高斯分布（如图所示）。添加噪声给稀疏深度图，这样产生的重投影误差遵循此分布，可准确模拟 ORB-SLAM3 的属性。
数据集创建步骤见如下图所示。
首先，对数据集的每一帧（“参考帧”），随机选择一个距离参考（“虚拟关键帧”） 2 米以内的相邻帧。然后，将参考帧的点反投影到 3D ，并计算每个 3D 点到虚拟关键帧相机中心的线。对每个点，从指数高斯分布采样一个重投影误差。依此沿着这个线扰动一个点的位置，这样扰动点的 2D 投影和参考帧原始点2D 位置之间的距离，与这个采样的重投影误差值相匹配。此过程应用于所有稀疏深度测量，用扰动的稀疏深度图和重投影误差作为 U-Net 的输入。实验中以 0.0001 的学习率、256 × 192 的图像大小、32 的码大小和Adam 优化器，对网络进行 10 epochs的训练。
如图是多视图优化的因子图：
其中Photometric Factor定义为
而Reprojection Factor定义为
最后，Sparse Geometric Factor定义为
一些实验结果如下：
今后工作，会在致密制图模块中考虑语义分割和实例分割。
本文仅做学术分享，如有侵权，请联系删文。
