[논문 리뷰] Thegra: Graph-based SLAM for Thermal Imagery

Anastasiia Kornilova, Ivan Moskalenko외 3명|arXiv (Cornell University)|2026. 02. 09.

Robotics and Sensor-Based Localization인용 수 0

한 줄 요약

이 논문은 열 영상용 희소 단안 그래프 기반 SLAM 시스템으로 일반-purpose 학습 특징들(SuperPoint 검출기 및 LightGlue 매처)을 전처리 파이프라인과 신뢰도 가중 요인 그래프와 함께 사용하여 열 센서 및 환경 간 강건성과 일반화를 향상시킵니다.

ABSTRACT

Thermal imaging provides a practical sensing modality for visual SLAM in visually degraded environments such as low illumination, smoke, or adverse weather. However, thermal imagery often exhibits low texture, low contrast, and high noise, complicating feature-based SLAM. In this work, we propose a sparse monocular graph-based SLAM system for thermal imagery that leverages general-purpose learned features -- the SuperPoint detector and LightGlue matcher, trained on large-scale visible-spectrum data to improve cross-domain generalization. To adapt these components to thermal data, we introduce a preprocessing pipeline to enhance input suitability and modify core SLAM modules to handle sparse and outlier-prone feature matches. We further incorporate keypoint confidence scores from SuperPoint into a confidence-weighted factor graph to improve estimation robustness. Evaluations on public thermal datasets demonstrate that the proposed system achieves reliable performance without requiring dataset-specific training or fine-tuning a desired feature detector, given the scarcity of quality thermal data. Code will be made available upon publication.

연구 동기 및 목표

• 저질감, 노이즈 및 NUC 아티팩트 등 열 영상에서 SLAM의 도전 과제를 해결한다.
• 오프 더 셸프의 Vis 채널로 학습된 특징(SuperPoint, LightGlue)을 도메인 특화 전처리와 함께 활용한다.
• 키포인트 신뢰도를 가중 요인 그래프에 반영하여 강건성과 트래킹 안정성을 향상시킨다.
• 데이터셋 특이 재교육 없이 다양한 열 센서와 환경에서 일반화를 시연한다.

제안 방법

• 단독 카메라 SLAM 파이프라인에서 키포인트 탐지에 SuperPoint를, 매칭에 LightGlue를 사용한다.
• 특정 열 전처리 파이프라인(CLAHE, 히스토그램 평활화, 대역 통과, 가장자리 보존 스무딩, 중간값 필터링)을 적용하여 특징 탐지 가능성을 높인다.
• sparse하고 아웃라이어에 취약한 열 매칭을 보완하기 위해 매핑 초기화, 트래킹, 키프레임 관리 등을 수정한다.
• SuperPoint 점수르를 이용한 신뢰도 가중 요인 그래프 최적화를 도입하여 재투영 기반 BA를 견고하게 만든다.
• 모션-전용 BA, 로컬 BA 및 강건한 이상치 처리와 함께 전체 BA를 포함하는 다단계 최적화 접근법을 채택한다.

실험 결과

연구 질문

• RQ1 일반-purpose의 가시 스펙트럼 학습 탐지기와 매처를 열 영상에 효과적으로 재교육 없이 적용하는 방법은 무엇인가?
• RQ2 저-텍스처, 노이즈가 많은 열 데이터에서 그래프 기반 단안 SLAM을 견고하게 만들기 위해 필요한 전처리 및 구조적 조정은 무엇인가?
• RQ3 신뢰도 가중 요인 그래프가 다양한 센서에서 트래킹 안정성과 맵 품질을 개선하는가?
• RQ4 제안된 시스템이 트래킹 연속성 및 궤적 정확도 측면에서 기존 열 및 비주얼 SLAM 방법과 어떻게 비교되는가?

주요 결과

• 시스템은 데이터셋 특이 학습이나 미세 조정 없이 공개 열 데이터셋에서 견고하고 데이터셋 일반화된 성능을 달성한다.
• 전처리 선택이 특징 탐지 및 매칭에 큰 영향을 미치며 Champlain 기반의 노이즈 제거를 포함한 히스토그램 평활화 및 중앙값 필터링이 최상의 결과를 보였다.
• 신뢰도 가중 요인 그래프는 트래킹 안정성을 개선하여 균일 가중치 대비 조기 트래킹 실패를 감소시킨다.
• 평가된 데이터셋에서 ORB-SLAM3, ROTIO, DSO와 비교하면 제안 방법이 궤적을 종종 더 나은 정확도와 더 큰 트래킹 연속성으로 완주한다.
• 다양한 열 카메라와 환경에서 뛰어난 일반화를 보여주며, 일반 목적 특징과 도메인 인지적 전처리 및 견고한 최적화의 결합의 가치를 부각시킨다.