複雑な環境下でのカメラ姿勢推定の精度と安定性を向上させるために、本論文ではResGraphLocネットワークを独自に設計した。本ネットワークは残差ネットワークとグラフアテンション機構を導入することで、遮蔽、照明変化、低テクスチャ環境におけるカメラ姿勢回帰の精度向上を図っている。ネットワークは特徴エンコーダとしてResNet101を採用し、改良された残差ブロックにより顕著な特徴抽出能力を強化している。グラフアテンション層を用いて多段階の特徴マップを融合し、マルチヘッドセルフアテンション機構により特徴情報の拡散と集約を実現している。最後に、非線形MLP層を通じて特徴埋め込みから位置と角度特徴を抽出し、エンドツーエンドのカメラ姿勢回帰を完了する。大規模な屋外データセットにおいて、ResGraphLocモデルは既存アルゴリズムよりも優れた姿勢誤差を示している。LOOPおよびFULLシーンでは、姿勢回帰結果がそれぞれ7.18 m、2.48°および16.96 m、3.16°であり、ベースラインモデルに比べて25%以上の改善を達成している。4SeasonsデータセットのNeighborhoodシーンでは、屋外位置誤差が最小で1.40 m、0.76°に達している。テクスチャ欠損および繰り返しの室内データセットにおいては、位置角度回帰結果がそれぞれ0.08 m、3.25°に達する。実験結果は、ResGraphLocが複雑な環境において高精度かつ安定しており、遮蔽、照明変化、低テクスチャシーンに効果的に対応できることを検証している。

コンピュータビジョン;カメラ姿勢回帰;カメラ定位;グラフアテンション;多段階特徴融合