Efficient Sparse-to-Dense Visual Localization via Compact Gaussian Scene Representation and Accelerated Dense Pose Estimation

📄 arXiv: 2605.17777v1 📥 PDF

作者: Zizhuo Li, Songchu Deng, Linfeng Tang, Jiayi Ma

分类: cs.CV

发布日期: 2026-05-18

备注: IEEE/CAA JAS 2026

💡 一句话要点

LiteLoc：基于紧凑高斯场景表示和加速稠密位姿估计的高效稀疏到稠密视觉定位

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 视觉定位 3D高斯溅射 稀疏到稠密 位姿估计 特征表示

📋 核心要点

  1. 现有稀疏到稠密定位方法（如STDLoc）存在存储冗余和计算延迟问题，限制了其在实际场景中的应用。
  2. LiteLoc通过解耦颜色特征场，仅保留定位必需的特征属性，构建紧凑的高斯场景表示，显著减少存储开销。
  3. LiteLoc采用稠密匹配精简策略，减少PnP求解器的计算量，在几乎不损失性能的情况下大幅提升定位速度。

📝 摘要（中文）

本文提出了一种名为LiteLoc的新型高效定位器，它构建于3D高斯溅射(3DGS)之上。先前最先进的(SoTA)稀疏到稠密定位器STDLoc虽然展现了卓越的定位能力，但存在严重的存储冗余和计算延迟。通过重新审视其设计决策，我们推导出了两个简单而高效的改进，它们共同使LiteLoc在内存和计算方面都更加高效，同时也更容易训练。一个关键的观察结果是，直接从Feature 3DGS继承的颜色场在功能上对定位没有用处。然而，它对高频光度细节的重建需要过多的高斯基元，导致颜色-特征表示紧密耦合，产生显著的内存开销和次优的特征场优化。为了解决这个问题，我们提出了一种无色的解耦特征场，它通过仅保留任务必需的特征属性来构建紧凑的高斯场景表示，从而在不损失定位相关信息的情况下消除大约94%的冗余存储。我们进一步发现，主要的计算瓶颈在于稠密的Perspective-n-Point (PnP)求解器，其中大多数匹配贡献了饱和的几何约束，而精度增益却在降低。因此，我们提出了一种精简策略，将稠密匹配提炼成5%的代表性匹配子集，从而在鲁棒估计中实现近19倍的加速，而性能下降可忽略不计。大量的实验表明，LiteLoc在多个场景中超越了STDLoc，并具有显著的效率优势，为延迟敏感的视觉定位开辟了令人兴奋的前景。

🔬 方法详解

问题定义：现有稀疏到稠密视觉定位方法，如STDLoc，虽然定位精度高，但存在两个主要痛点：一是存储冗余，由于颜色场对定位无用但占据大量内存；二是计算延迟，稠密PnP求解器计算量大，效率低。这些问题限制了其在资源受限或对延迟敏感的应用场景中的部署。

核心思路：LiteLoc的核心思路是构建一个更紧凑、更高效的3D场景表示，并加速位姿估计过程。具体来说，通过移除颜色场，只保留对定位有用的特征信息，从而减少存储空间。同时，通过精简稠密匹配，减少PnP求解器的计算量，从而提高定位速度。这样既能保持定位精度，又能显著提高效率。

技术框架：LiteLoc的整体框架包括以下几个主要阶段：1) 场景表示：使用3D高斯溅射(3DGS)表示场景，但移除颜色信息，只保留特征信息。2) 特征提取：从输入图像中提取特征。3) 匹配：将图像特征与3DGS场景表示中的特征进行匹配，得到稠密匹配。4) 匹配精简：将稠密匹配精简为少量代表性匹配。5) 位姿估计：使用精简后的匹配，通过PnP求解器估计相机位姿。

关键创新：LiteLoc最重要的技术创新点在于两个方面：一是无色解耦特征场，通过移除颜色信息，显著减少了场景表示的存储空间，同时避免了颜色信息对特征场优化的干扰；二是稠密匹配精简策略，通过选择少量代表性匹配，显著减少了PnP求解器的计算量，同时保持了定位精度。这两个创新点共同实现了高效的视觉定位。

关键设计：在无色解耦特征场方面，关键在于如何选择合适的特征表示，以保证定位精度。论文中具体使用的特征类型未知。在稠密匹配精简策略方面，关键在于如何选择代表性匹配。论文中提到选择了5%的匹配，但具体的选择方法未知。损失函数和网络结构等细节也未在摘要中提及。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，LiteLoc在多个场景中超越了STDLoc，同时显著提高了效率。具体来说，LiteLoc消除了大约94%的冗余存储，并在鲁棒估计中实现了近19倍的加速，而性能下降可忽略不计。这些结果表明，LiteLoc在效率方面具有显著优势，为延迟敏感的视觉定位开辟了新的可能性。

🎯 应用场景

LiteLoc具有广泛的应用前景，尤其适用于对延迟和存储空间有较高要求的场景，如移动机器人、增强现实(AR)、虚拟现实(VR)和自动驾驶等。该方法可以帮助这些应用在资源受限的设备上实现快速、准确的视觉定位，从而提升用户体验和系统性能。未来，LiteLoc有望成为一种通用的、高效的视觉定位解决方案。

📄 摘要（原文）

This letter presents LiteLoc, a novel and efficient localizer built on 3D Gaussian Splatting (3DGS). The previous state-of-the-art (SoTA) sparse-to-dense localizer, STDLoc, has shown remarkable localization capability but suffers from severe storage redundancy and computational latency. By revisiting its design decisions, we derive two simple yet highly effective improvements that cumulatively make LiteLoc much more efficient in both memory and computation, while also being easier to train. One key observation is that the color field, inherited directly from Feature 3DGS, is functionally useless for localization. Yet, its reconstruction of high-frequency photometric details necessitates excessive Gaussian primitives, resulting in a tightly coupled color-feature representation with significant memory overhead and sub-optimal feature field optimization. To resolve this, we propose a color-free decoupled feature field that constructs a compact Gaussian scene representation by retaining only task-essential feature attributes, thereby eliminating approximately 94% of redundant storage with no loss of localization-relevant information. We further find that the primary computational bottleneck lies in the dense Perspective-n-Point (PnP) solver, where most matches contribute saturated geometric constraints with diminishing accuracy gains. Accordingly, we propose a condensing strategy that distills dense matches into a subset of 5% representative matches, enabling a nearly 19-fold speedup in robust estimation with negligible performance drop. Extensive experiments show that LiteLoc surpasses STDLoc in multiple scenes with considerable efficiency benefits, opening up exciting prospects for latency-sensitive visual localization.