【CVPR 2025 Award Candidates】MegaSAM：任意动态视频 SfM 系统

正文

请到「今天看啥」查看全文

https://arxiv.org/abs/2403.18913)。其中相对深度一般用 disparity 来表示（depth 的倒数），相比于绝对深度 少了 scale 和 shift ：depth = a / disparity + b

• DROID-SLAM： 经典的 Learning-based SLAM 工作，基于同一作者提出的 RAFT 的核心思想构建了一套简洁的 SLAM 系统
  （论文： https://arxiv.org/abs/2108.10869）
  
• RAFT 是两帧图像间光流估计任务里经典的方案 （论文： https://arxiv.org/abs/2003.12039 ），至今仍是精度有竞争力的工作。最核心的点是把光流估计表示为从初始光流出发用 GRU （RNN 的变体）不断迭代估计光流 residual 来多次更新的任务。这种迭代优化的范式简化了问题，因此达到了较高的精度，像 Diffusion 也可以看做类似的思路
  
  
• DROID-SLAM 本质也是一个预测光流的网络，通过预测两帧间的光流，并加入了一个可微分的 BA 模块（Bundle Adjustment）实现了 SLAM 的功能。具体来说，DROID-SLAM 维护了每一帧的 depth 和 camera pose 作为优化变量，因为在静态场景下 depth + camera pose 可以算出来像素间的光流，网络的作用是从这个光流出发走 RAFT 的方式迭代预测实际的光流，然后从光流反过来作为 BA 模块的约束更新 depth 和 camera pose。

• CasualSAM： 用 depth 估计网络来作为额外的先验，用两帧光流作为约束，联合优化 depth 网络部分权重、camera pose 和 相机焦距。本文的一作也参与了该工作（论文：

请到「今天看啥」查看全文