F$^2$ SLAM：将前馈几何转化为 SLAM 的持久因素

前馈 3D 模型提供强大的多视图几何先验，而在线同步定位和建图 (SLAM) 主要依赖于局部测量，并且可以在长序列上累积漂移。现有的将两者结合起来的尝试通常将前馈预测视为外部几何状态，该状态与事后在线估计对齐或融合，从而将更广泛的多视图证据保留在优化器之外，从而细化 SLAM 状态。我们提出了 F2SLAM，它将前馈几何直接转换为附加到持久密集因子图的优化本机目标权重测量。高频流保持本地跟踪约束和图形连接性，而低频流使用更广泛的多视图上下文在状态一致性检查后有选择地刷新现有测量。两个流通过单个密集束调整约束相同的姿势、反向深度和可选的相机内在特性。多个基准的实验表明，在校准和未校准的设置中，轨迹估计始终强大，并且密集重建得到了改进。值得注意的是，未校准的配置将副本数据集上的平均 ATE RMSE 从最强前馈基线的 0.030 m 降低到 0.002 m。