论文
PARC-Loc以关系一致性匹配和跨边界证据改进文本到点云定位
PARC-Loc: Text-to-Point-Cloud Localization with Partial Assignment and Relational Consistency
摘要
文本到点云定位根据周围物体的描述，估计城市级三维地图中的位置。已有由粗到细的方法先用聚合的学习兼容性检索子地图，再在所选子地图内定位。但重复或相似的城市物体会抬高查询与多个子地图的嵌入相似度，即使其中的实例布局不符合描述。同时，查询相关实例往往跨越子地图边界，导致检索结果缺少完整上下文。我们分别将这两种失败称为布局不一致混淆和边界证据不完整。为此提出PARC-Loc，一种以关系一致性部分分配（PARC）为核心的由粗到细定位框架。PARC联合建模提示—物体兼容性与成对空间关系，允许部分元素不匹配，同时偏好符合查询布局的分配。粗定位阶段，它在候选层的评估补充神经相似度，用于选择布局一致的子地图；精定位阶段，从相邻子地图补充查询相关实例，PARC给出的物体级匹配权重引导跨模态注意力。在KITTI360Pose和CityLoc上的广泛实验表明，PARC-Loc优于常规由粗到细基线。在KITTI360Pose上，Top-1、5米阈值定位召回率从0.50提高到0.67，相对最强基线提高34%。
