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
，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
。 
，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。
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。
进行双线性插值，计算出中心特。
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。
的计算公式为：
和点（伪图像）特征
之间引入了全局自适应融合机制。
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。
和点特征
，按以下方式进行自适应全局融合：
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。
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。
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
：
和平移矢量
的计算公式为：
和
可根据论文中的公式在最粗糙层中通过类似过程获得。
和 
将用于计算监督损失
。第 l 层的训练损失函数为：
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
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。
