В работе предложена новая сеть визуальной локализации, способная эффективно работать при изменении условий внешней среды, таких как освещение, погода и время года. Система состоит из модулей извлечения признаков и регрессии позы объекта. Модуль извлечения признаков базируется на архитектуре CycleGAN, что позволяет выделять ключевые характеристики сцены даже при использовании неразмеченных и непарных выборок данных. Благодаря такому подходу нейросеть формирует инвариантное представление пространства, не зависящее от временных визуальных изменений.
Исследователи разработали систему визуальной локализации, которая сохраняет точность даже при резкой смене освещения, погоды или времени года. С помощью архитектуры CycleGAN нейросеть выделяет инвариантные признаки объектов, игнорируя внешние помехи. Это позволяет роботам и беспилотникам точнее определять свое положение в динамически меняющейся среде.