💻 computer science

DisCo-FLoc: Using Dual-Level Visual-Geometric Contrasts to Disambiguate Depth-Aware Visual Floorplan Localization

本文提出了 DisCo-FLoc 方法，通过利用无需额外语义标注的双层级视觉 - 几何对比学习，有效解决了极简 floorplan 中因重复结构导致的定位歧义问题，在鲁棒性和准确性上超越了现有的基于语义的最先进方法。

原作者： Shiyong Meng, Tao Zou, Bolei Chen, Chaoxu Mu, Jianxin Wang

发布于 2026-04-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Shiyong Meng, Tao Zou, Bolei Chen, Chaoxu Mu, Jianxin Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 DisCo-FLoc 的新方法，它的核心任务是帮摄像头（比如手机或机器人的眼睛）在一张建筑平面图上找到“我现在在哪里，面朝哪个方向”。

为了让你更容易理解，我们可以把这个问题想象成：一个盲人拿着手机，走进一个从未去过的迷宫，他手里只有一张只有墙壁线条的“极简地图”，没有文字标注，也没有家具图片。他需要靠手机拍到的照片，在地图上精准定位自己。

1. 为什么这很难？（现有的痛点）

想象一下，你走进一个全是白色墙壁、长得一模一样的走廊（就像很多现代办公室或酒店）。

重复结构的陷阱：如果你只看墙壁，第 1 个拐角和第 10 个拐角看起来完全一样。现有的方法就像是一个只会“认死理”的向导，它看到墙壁就匹配，结果经常把你带到错误的房间，因为它分不清哪个拐角是真正的“起点”。
依赖“路标”的局限：以前的聪明向导会尝试找“路标”（比如门、窗户、房间类型）。但这有个大问题：很多地图是没有这些路标标注的，或者标注起来太贵、太麻烦。如果地图是“裸奔”的（只有线条），以前的方法就抓瞎了。

2. DisCo-FLoc 是怎么解决的？（核心魔法）

作者提出了一个两步走的策略，我们可以把它比作**“先猜后辨”**。

第一步：深度感知雷达（RRP）—— 像蝙蝠一样“听”距离

传统做法：以前的方法只是简单地把照片和地图线条对比，容易晕头转向。
DisCo-FLoc 的做法：它给摄像头装上了一副“深度眼镜”（利用深度估计技术）。
- 比喻：想象你闭着眼睛，伸出双手去摸墙壁。你不仅能看到墙壁，还能感觉到墙壁离你有多远，以及你朝哪个方向看。
- 作用：系统会发射很多条“虚拟光线”（Ray Casting），计算照片里每个方向离墙有多远。这就像蝙蝠用声纳探测环境。它能生成一张“概率地图”，告诉你：“你可能在 A 区、B 区或 C 区”，虽然还分不清具体是哪个，但范围缩小了。

第二步：双重对比“找茬”游戏（Visual-Geometric CL）—— 像侦探一样“排雷”

这是这篇论文最精彩的部分。既然第一步猜出了好几个可能的地点（A、B、C），怎么确定哪个是真的？

以前的做法：直接选概率最高的那个。但如果 A 和 B 长得太像，选错的概率很大。
DisCo-FLoc 的做法：它玩了一个**“找不同”的对比游戏**。
- 位置级对比（Position-level）：系统会故意制造“假想敌”。比如，它把你在 A 点的照片，拿去和 B 点的地图结构对比。如果系统发现“哎，这张照片在 B 点怎么这么别扭？”，它就知道 B 是错的。这就像侦探拿着照片去各个房间比对，发现只有真房间才严丝合缝。
- 方向级对比（Orientation-level）：系统还会故意把照片“转个向”（比如把照片倒过来或转 90 度），再去和地图对比。如果转了向就不匹配了，说明方向判断很重要。这就像你拿着指南针，发现只有朝北走才能对上地图的纹路。

最终结果：通过这种“找茬”，系统能排除掉那些长得像但其实是错的地点（消除歧义），从一堆候选者中精准选出唯一正确的那个位置。

3. 这个方法的厉害之处

不需要“路标”：它不需要地图上有“这是卧室”、“那是厨房”的文字标注。只要有一张只有线条的平面图就能工作。这就像盲人不需要知道房间名字，只要摸到墙的结构就能认路。
比“带路标”的方法还强：论文里的实验显示，即使那些用了昂贵人工标注（门、窗、房间名）的顶级方法，在复杂场景下也不如 DisCo-FLoc 准。因为它抓住了更本质的“几何结构”和“深度距离”。
方向感极强：它不仅知道你在哪，还能非常精准地知道你是面朝哪个方向，误差极小。

4. 总结

如果把视觉定位比作**“在迷宫里找自己”**：

以前的方法：要么靠死记硬背（容易记混），要么靠找路牌（路牌可能没有）。
DisCo-FLoc：它像是一个拥有超级触觉和空间感的侦探。它先通过“摸墙测距”圈定几个可疑区域，然后通过“找茬游戏”（对比不同位置和角度下的墙壁结构），精准地排除所有干扰项，最终锁定真相。

这项技术对于机器人导航（比如在仓库或医院自动巡逻）、增强现实（AR）（在房间里精准叠加虚拟物体）以及盲人辅助都有着巨大的应用潜力，因为它让机器在只有简单线条地图的情况下，也能像人一样“看懂”空间。

这是一篇关于**视觉平面图定位（Visual Floorplan Localization, FLoc）**的学术论文总结。该论文提出了一种名为 DisCo-FLoc 的新方法，旨在解决在缺乏语义标签的情况下，由于平面图结构重复导致的定位模糊问题。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

核心任务：视觉平面图定位（FLoc）是指根据单目 RGB 图像，在二维建筑平面图中确定相机的位置 $(x, y)$ 和朝向 $\theta$ 。
现有挑战：
- 结构重复性：现代建筑平面图通常采用极简主义设计，导致大量房间、走廊和角落结构相似。现有的基于几何匹配的方法容易在这些重复结构中产生定位模糊（Ambiguity），即生成多个概率相近但位置错误的候选点。
- 语义缺失：虽然引入房间类别或门窗等语义标签（如 SemRayLoc）可以辅助定位，但这些标签通常需要昂贵的人工标注，且在许多现有数据集中不可用。
- 遮挡问题：视觉图像中包含家具等 3D 物体，会遮挡视线，导致基于几何的射线投射（Ray-casting）产生偏差。
目标：在不依赖额外语义标签的前提下，消除由重复结构引起的定位模糊，提高定位的鲁棒性和准确性。

2. 方法论 (Methodology)

DisCo-FLoc 采用了一个分层框架，包含两个主要阶段：

第一阶段：基于深度感知的射线回归预测 (Depth-Aware Ray Regression Predictor, RRP)

目的：生成初步的 FLoc 候选集（概率图）。
创新点：
- 利用在密集单目深度估计任务上预训练的编码器（如 Depth Anything V2 中的 DINO V2），将其迁移到视觉 FLoc 任务中。
- 设计了一个射线回归预测器 (RRP)，将视觉特征映射为从相机到最近墙壁的深度距离分布。
- 抗遮挡机制：通过垂直加权求和压缩图像高度方向的深度特征，生成查询向量（Query），从而在预测射线时减轻 3D 物体遮挡的影响。
- 输出：生成深度感知 FLoc 概率图 (DAFPM)，从中选取 Top-X 个高概率位姿作为候选。

第二阶段：视觉 - 几何对比学习消歧 (Visual-Geometric Contrastive Learning for Disambiguation)

目的：从 RRP 生成的候选集中，通过对比学习筛选出最优位姿，消除模糊性。
核心机制：提出了一种具有双重约束的对比学习方法，无需语义标签。
- 正样本：RGB 图像与对应真实位姿下裁剪出的平面图几何结构。
- 负样本（双重约束）：
  1. 位置级负样本 (Position-level)：在同一平面图内改变观察位置，或在不同平面图间随机采样。旨在建立视觉特征与正确几何结构的强对应，消除与其他相似结构的虚假关联。
  2. 朝向级负样本 (Orientation-level)：在同一位置旋转观察朝向。旨在增强模型对朝向的敏感性，区分正确与错误的朝向。
训练策略：
- 冻结深度感知编码器（保留其深度估计能力），仅训练用于提取平面图结构特征的 ResNet-18。
- 使用 PointInfoNCE 损失函数进行优化。
消歧过程：
- 计算候选位姿对应的平面图结构与视觉图像特征的相似度，生成消歧概率图 (DPM)。
- 将 DPM 与第一阶段的 DAFPM 进行加权融合，选择总分最高的位姿作为最终结果。

3. 主要贡献 (Key Contributions)

分层框架：提出了一种结合深度估计专家知识的射线回归预测器（RRP），专门针对基于射线投射的 FLoc 任务，有效生成了高质量的候选位姿。
无语义消歧技术：提出了一种无需额外语义标签的视觉 - 几何对比学习技术。通过位置级和朝向级的双重约束，严格匹配视觉特征与局部几何结构，有效解决了重复结构导致的模糊问题。
性能突破：在两个标准基准数据集上的实验表明，该方法在鲁棒性和准确性上均显著优于现有的最先进（SOTA）方法，包括那些依赖语义标签的方法。

4. 实验结果 (Results)

实验在 Gibson 数据集和更具挑战性的 Structured3D(full) 数据集上进行。

对比 SOTA：
- 在 Structured3D(full) 数据集上，DisCo-FLoc 在 1 米精度内的召回率（R@1m）达到了 67.0%，显著优于不使用语义的 F3Loc 框架方法（如 3DP & RSK 的 54.7%）。
- 更重要的是，它甚至超越了使用语义标签的方法（如 SemRayLocs 及其变体，最高约 61.5%）。这表明其几何约束和对比学习机制比稀疏语义标签更有效。
方向定位精度：
- 该方法显著缩小了纯位置定位（R@1m）与位置 + 方向定位（R@1m 30°）之间的性能差距，证明了其在方向判断上的高精度。
消融实验：
- 证实了朝向级负样本和朝向扰动对消歧的贡献大于位置级，说明方向信息的区分度对于解决重复结构问题至关重要。
- 证明了引入深度感知编码器（Depth Anything V2）和对比学习模块的必要性。

5. 意义与影响 (Significance)

摆脱语义依赖：DisCo-FLoc 证明了在缺乏昂贵语义标注的情况下，仅通过深度感知和几何对比学习即可实现高精度的室内定位，极大地降低了实际应用门槛。
解决重复结构难题：通过双重约束的对比学习，有效解决了极简主义平面图中因结构重复导致的“多模态”定位模糊问题。
通用性强：利用预训练的深度估计模型，使得该方法在不同场景和光照条件下具有更好的泛化能力。
未来方向：虽然目前采用两阶段流程（先生成候选再消歧）存在一定冗余，但该方法为未来将定位与消歧统一为端到端流程奠定了基础。

总结：DisCo-FLoc 通过巧妙结合深度估计的先验知识和双重约束的对比学习，在不依赖语义标签的前提下，成功实现了高精度的视觉平面图定位，为室内机器人导航和增强现实应用提供了强有力的解决方案。