[论文解读] Thegra: Graph-based SLAM for Thermal Imagery

Anastasiia Kornilova, Ivan Moskalenko+3 more|arXiv (Cornell University)|Feb 9, 2026

Robotics and Sensor-Based Localization被引用 0

一句话总结

本论文提出了一种用于热成像的稀疏单目基于图的SLAM系统，该系统利用通用学习特征（SuperPoint探测器和LightGlue匹配器）结合预处理管线和置信度加权因子图，以提高鲁棒性和在跨热传感器与环境的泛化能力。

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.

研究动机与目标

• 解决热成像在SLAM中的挑战，包括低纹理、噪声和NUC伪影。
• 利用现成、在可见光通道上训练的特征（SuperPoint、LightGlue），结合面向热数据的领域特定预处理。
• 将关键点置信度融入加权因子图，以提升鲁棒性和跟踪稳定性。
• 在不进行数据集特定再训练的情况下，展示在多样热传感器与环境中的泛化能力。

提出的方法

• 在单目SLAM管道中使用SuperPoint进行关键点检测，使用LightGlue进行匹配。
• 应用定制的热成像预处理管线（CLAHE、直方图均衡、带通滤波、边缘保持平滑、中值滤波）以提升特征可检测性。
• 修改地图初始化、跟踪和关键帧管理以应对稀疏且易出错的热匹配。
• 结合SuperPoint分数的置信度加权因子图优化以提升基于重投影的BA的鲁棒性。
• 采用多阶段优化策略，包括运动项BA、局部BA和包含鲁棒离群处理的全局BA。

实验结果

研究问题

• RQ1 如何在不进行热特定再训练的情况下，将通用的、在可见光谱上训练的探测器与匹配器有效地适应到热成像？
• RQ2 为使基于图的单目SLAM在低纹理、嘈杂的热数据上鲁棒，需要哪些预处理和体系结构调整？
• RQ3 置信度加权的因子图是否能在跨传感器的热SLAM中改善跟踪稳定性与地图质量？
• RQ4 与评估数据集上的ORB-SLAM3、ROTIO和DSO相比，所提系统在跟踪连续性与轨迹精度方面如何？

主要发现

• 系统在公开热数据集上实现健壮且具有数据集泛化能力的性能，无需数据集特定的训练或微调。
• 预处理选择显著影响特征检测与匹配，基于Chambolle去噪结合直方图均衡与中值滤波可获得最佳结果。
• 置信度加权的因子图提高了跟踪稳定性，较均匀加权减少了过早的跟踪失败。
• 与在评估数据集上的ORB-SLAM3、ROTIO和DSO相比，所提方法在大多数情况下实现了具有竞争或优越精度的轨迹，同时保持更高的跟踪连续性。
• 该方法在多样化热相机和环境中的强泛化能力，凸显将通用特征与领域感知预处理及鲁棒优化相结合的价值。