《IEEE Access》：Visual Localization Using Implicit Representations and Particle Filtering-Based Pose Refinement
编辑推荐：
为了在包含瞬时目标或地图不完整的复杂场景中实现更稳定、高效的视觉定位，研究人员开展了结合隐式神经表示与粒子滤波位姿优化的研究。他们提出了HAL-NeRF v2系统，该方法将直接位姿回归与基于NeRF/Gaussian Splatting的蒙特卡洛优化相结合。实验结果显示，在保持高定位精度（中值误差0.09 m/0.61°）的同时，运行时间显著缩短了25倍，推动了视觉定位技术向实用化迈进。
在计算机视觉与机器人领域，让机器像人类一样准确感知自身在三维空间中的位置与朝向——即视觉定位（Visual Localization），是一项基础且充满挑战的任务。这项技术是自动驾驶汽车导航、增强现实（AR）应用叠加强虚拟信息、以及无人机自主飞行的核心。传统的视觉定位方法往往依赖于预先构建的、高精度的三维点云地图。然而，现实世界是动态且复杂的：行人车辆川流不息（瞬时元素），建筑内部结构可能因装修而改变，或者由于采集限制无法获取完整的三维模型（不完全映射）。这些因素使得基于静态、完整地图假设的传统方法常常“失灵”，定位结果容易出现偏差甚至失败。
为了解决在动态、不完整现实场景中实现鲁棒、高效视觉定位的难题，一项名为“HAL-NeRF v2”的研究应运而生。这项研究构建了一个全新的定位管线，巧妙地将神经隐式场景表示与概率滤波思想相结合。与之前需要繁重离线建图与在线匹配的流程不同，该方法试图让机器通过“脑补”场景和理解概率分布，在复杂环境中快速找到自己的位置。该论文已发表在《IEEE Access》期刊上。
为达成研究目标，作者主要采用了几个关键技术：首先是隐式神经场景表示，包括用于高质量合成视图生成的神经辐射场（NeRF）和用于高效训练的姿态回归器的高斯泼溅（Gaussian Splatting）技术。其次是基于粒子滤波（Particle Filter）的蒙特卡洛位姿优化框架。该框架被重新设计，采用了柯西损失（Cauchy loss）替代原HAL-NeRF的步骤，以增强在存在异常值（如瞬时物体）时的收敛稳定性，并引入了系统重采样和最大似然估计。最后是并行化渲染评估策略，允许在优化过程中同时评估多个渲染视角，从而加速粒子滤波器对候选位姿的筛选与收敛。
研究结果
1. 系统架构与流程
研究提出了完整的HAL-NeRF v2定位管线。该系统首先利用高斯泼溅快速生成具有丰富细节的合成视图，用于训练一个直接的位姿回归网络，从而获得一个初始的、可能较粗糙的相机位姿估计。随后，该初始位姿被送入一个精心设计的粒子滤波优化器。此优化器以神经辐射场（NeRF）作为场景表示，通过比较粒子（即假设的相机位姿）所对应的渲染视图与真实查询图像之间的差异，并依据柯西损失计算权重，迭代地进行重采样与状态估计，最终输出精确优化的相机位姿。
2. 针对瞬态元素与不完整地图的鲁棒性提升
通过采用柯西损失函数，新的优化框架对渲染视图与真实图像之间因瞬态物体（如移动的行人、车辆）或场景缺失部分造成的像素级差异具有更强的容忍度。这使得粒子滤波在优化过程中不易被这些“干扰信号”带偏，从而在动态或地图覆盖不全的场景中仍能保持稳定的收敛性能。
3. 多视图并行评估加速收敛
在粒子滤波的每次迭代中，系统能够并行渲染并评估来自多个候选位姿（粒子）的预测视图。这种并行化能力极大地提升了位姿假设空间的搜索效率，使滤波器能够迅速排除错误的位姿区域，聚焦于可能性更高的解空间，从而实现了更快的收敛速度。
4. 在Cambridge Landmarks数据集上的实验验证
在公开基准数据集Cambridge Landmarks上的实验结果表明，HAL-NeRF v2达到了与前一版HAL-NeRF v1相当的顶尖定位精度，其中值平移误差仅为0.09米，中值旋转误差仅为0.61度。更为突出的是，在保持此高精度的同时，新系统的运行时间相比v1版本大幅减少了25倍，显著提升了定位效率。
结论与讨论
本研究成功开发并验证了HAL-NeRF v2，一个融合了直接位姿回归与基于神经隐式表示的蒙特卡洛优化技术的视觉定位新系统。工作的核心结论在于，通过采用高斯泼溅加速训练、利用NeRF进行高质量渲染、并重新设计一个包含柯西损失和并行评估的粒子滤波优化器，该系统能够有效应对现实场景中普遍存在的瞬态元素与地图不完全的挑战。
其重要意义体现在两个方面：在方法论上，它展示了将深度学习方法（隐式表示、直接回归）与经典概率滤波方法（粒子滤波）进行紧密耦合的创新路径，兼顾了数据驱动的高效性与模型驱动的鲁棒性。在应用层面，该系统在保持高定位精度的前提下实现了数量级的速度提升，使得基于隐式表示的精准视觉定位向实时、实用的方向迈出了关键一步，为需要在高动态、非结构化环境中进行可靠定位的机器人、自动驾驶和混合现实等应用提供了强有力的技术工具。未来的工作可以进一步探索如何降低隐式表示的建模成本，以及将该框架扩展至更广泛的场景理解任务中。
