Reference-Induced Consensus for Selective Posed-Reference Visual Localization

📄 arXiv: 2607.04722v1 📥 PDF

作者: Wonseok Kang, Jaehyun Kim, Jeongmin Lee, Tae-Wan Kim

分类: cs.CV

发布日期: 2026-07-06

🔗 代码/项目: GITHUB

💡 一句话要点

提出RIC-Loc以解决无场景训练的定位问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉定位 姿态估计 机器人导航 增强现实 深度学习

📋 核心要点

  1. 现有的定位方法通常依赖于预计算的3D地图和场景训练，限制了其灵活性和适用性。
  2. RIC-Loc通过使用已知的参考姿态而不依赖于SfM点图，提出了一种新颖的姿态参考定位方法。
  3. 实验结果表明，RIC-Loc在室内和低纹理场景中表现出色，超越了传统的结构基准和随机排名。

📝 摘要（中文）

我们提出了RIC-Loc（Reference-Induced Consensus localization），这是一种无需场景训练的姿态参考定位器，其主要估计器不依赖于SfM点图。该方法使用已知的参考姿态，而不需要预计算的SfM 3D地图点、查询到地图的2D-3D匹配或PnP。通过冻结的VGGT传递，预测局部相机姿态、深度和查询-参考轨迹。每个参考引导一个地图帧的SE(3)查询姿态假设，稳健的共识估计姿态，并通过保留的假设结构生成两个可靠性评分：空间分散度和轨迹条件协方差评分。在协方差适用集上，这两个评分在无地面真实值的失败检测中互为补充，尤其在纹理丰富的场景中表现最佳，而在低纹理情况下协方差评分更具优势。该方法在无需逐场景训练的情况下，保持了准确性，且在室内定位中与基于结构的方法竞争，超越了相应的前馈基线，提供了有效的姿态参考定位选择操作模式。

🔬 方法详解

问题定义：本论文旨在解决传统视觉定位方法依赖于预计算3D地图和场景训练的问题，这限制了其在动态环境中的应用。现有方法在低纹理或复杂场景中表现不佳，且缺乏灵活性。

核心思路：RIC-Loc的核心思想是利用已知的参考姿态进行定位，而不需要依赖于复杂的3D地图或场景训练。通过引入参考姿态，系统能够在不同场景下进行有效的定位。

技术框架：该方法的整体架构包括三个主要模块：首先，使用冻结的VGGT传递来预测局部相机姿态和深度；其次，为每个参考生成一个SE(3)查询姿态假设；最后，通过稳健的共识估计来融合这些假设，生成最终的定位结果。

关键创新：RIC-Loc的主要创新在于其无需场景训练和SfM点图的定位能力。通过引入空间分散度和轨迹条件协方差评分，系统能够在不同场景中进行有效的失败检测和姿态估计。

关键设计：在设计中，系统采用了两个可靠性评分：空间分散度和协方差评分，这两个评分在不同场景下互为补充。此外，系统的参数设置和损失函数设计旨在提高在低纹理环境中的定位准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RIC-Loc在室内和低纹理场景中的定位准确性与传统结构基准相当，且在某些情况下显著优于前馈基线。具体而言，在纹理丰富的场景中，联合策略表现最佳，而在低纹理环境中，协方差评分的优势更加明显，展示了该方法的广泛适用性。

🎯 应用场景

RIC-Loc的研究成果在机器人导航、增强现实和无人驾驶等领域具有广泛的应用潜力。由于其无需场景训练的特性，该方法能够在动态和复杂环境中实现高效的视觉定位，提升了相关技术的灵活性和适用性。未来，该技术可能会推动更多智能设备在未知环境中的自主导航能力。

📄 摘要（原文）

We present RIC-Loc (Reference-Induced Consensus localization), a scene-training-free posed-reference localizer that is SfM-point-map-free in its main estimator: it uses known reference poses, but not precomputed SfM 3D map points, query-to-map 2D-3D matches, or query-to-map PnP. A frozen VGGT pass predicts local camera poses, depth, and query-reference tracks for a query and selected references. Each reference induces one map-frame SE(3) query-pose hypothesis, robust consensus estimates the pose, and the preserved hypothesis structure yields two reliability scores: spatial dispersion and a track-conditioned covariance score. On the covariance-eligible set, the two scores are complementary for held-out, ground-truth-free failure detection across indoor, outdoor, and large-scale low-texture benchmarks: the joint policy is strongest in textured scenes and the covariance score in the low-texture regime, and the hypothesis-derived scores consistently outperform the standard retrieval-score gap and random rankings. Without per-scene training the consensus estimator remains accurate -- competitive with structure-based localization indoors and improving over a comparable feed-forward baseline -- giving an effective selective operating regime for posed-reference localization. Code is available at https://github.com/SNU-DLLAB/ric_loc.