ECCV 2024 oral | 首次基于深度聚类的多模态融合，上交、伯克利提出双向结构对齐的融合网络新SOTA！

本文的主要作者来自上海交通大学智能机器人与机器视觉（IRMV）实验室。本文第一作者是实验室硕士生刘久铭，主要研究方向为点云配准，雷达里程计，多模态融合，nerf/3DGS 渲染，3D生成等。曾在CVPR，ICCV，ECCV，AAAI等会议发表论文多篇。

• 论文链接：https://arxiv.org/pdf/2403.18274

• 代码仓库：https://github.com/IRMVLab/DVLO

DVLO 的总体结构如图 2 所示。给定两个点云，及其对应的来自一对连续帧的单目相机图像，里程计目标是估计两个帧之间的相对位姿，包括旋转四元数和平移向量。  

给定摄像机图像，利用 [17] 中基于卷积的特征金字塔提取图像特征。其中，、 是特征图的高度和宽度。C 是图像特征的通道数。

给定图像特征 后，首先将其重塑为伪点集合，其中为伪点个数。在这种情况下，图像具有与激光雷达点相同的数据结构，这有利于建立局部像素与点的对应关系，并进一步进行基于聚类的特征聚合。

首先将激光雷达点投影到图像平面上，得到其在图像坐标系中对应的二维坐标 x′ 和 y′，作为聚类中心。根据 x′、y′ 对 进行双线性插值，计算出中心特。

然后，根据中心特征和伪点特征 的成对余弦相似度，将所有伪点划分为若干个聚类。在此，将每个伪点分配到最相似的聚类中心，从而得到 N 个聚类。为了提高效率，按照 Swin Transformer，在计算相似度时使用区域分割。

论文作者根据与聚类中心的相似度动态聚合同一聚类内的所有伪点特征。给定聚类包含第 i 个聚类中心以及周围的 k 个伪点，本地融合特征的计算公式为：

由于局部特征融合仅在划分的区域内进行，因此上述局部融合模块的感受野有限。为了扩大感受野以进行充分的特征融合，论文作者在局部融合特征和点（伪图像）特征之间引入了全局自适应融合机制。

通过前文中的圆柱投影将稀疏的激光雷达点转换为结构化的伪图像。在这种情况下，点特征  的大小为。这一过程将原本稀疏的非结构化点重组为密集的结构化伪图像，从而实现了下面的密集特征图与图像特征的融合。

给定局部融合特征 和点特征，按以下方式进行自适应全局融合：

其中， 和是点（伪图像）特征和局部融合特征的自适应权重，由 sigmoid 函数和 MLP 层获得。⊙表示元素与元素之间的乘积。然后，将全局融合特征重塑为 N ×D 的大小，作为迭代姿态估计的输入。

通过将最粗糙层中两个帧的全局融合特征和联系起来，利用代价卷生成粗嵌入特征。嵌入特征包含两个连续帧之间的相关信息。

其中，是可学习的掩码。是源帧中的全局融合特征。然后，通过对嵌入特征和 FC 层加权，生成四元数和平移向量：

在初始估计 q 和 t 之后，通过 PWCLO 中的迭代细化模块对它们进行细化，从而得到最终姿势。第 l 层的细化四元数和平移矢量的计算公式为：

其中，姿态残差和可根据论文中的公式在最粗糙层中通过类似过程获得。

四个层的网络输出  和  将用于计算监督损失。第 l 层的训练损失函数为：

其中，tgt 和 qgt 分别是地面真实平移和四元数。和是可学习的标量，用于缩放损失。和 分别是 L1 和 L2 准则。那么，总训练损失为

其中，L 是层的总数（设为 4），是代表第 l 层权重的超参数。

表 3：在 KITTI 09-10 序列上与基于学习的多模态里程计的比较。