DSAC - 相机位姿不确定性可微分的 RANSAC 算法
这篇论文介绍了一种基于学习的系统,可以通过单个输入图像相对于已知环境估计相机的位置和方向,该系统采用了深度神经网络和可完全微分的姿态优化,可以适应不同应用程序,包括使用 RGB-D 或 RGB 图像进行训练,并可以使用环境的三维模型进行训练,但不是必需品。
Feb, 2020
Neural-Guided RANSAC is an improved version of the RANSAC algorithm that is capable of using prior information to optimize an arbitrary task loss during training, achieving superior results compared to state-of-the-art robust estimators in computer vision tasks such as estimation of epipolar geometry, horizon line estimation and camera re-localization.
May, 2019
DSAC 是一种新的强化学习算法,它通过利用积累奖励的分布信息来获得更好的性能。通过将 SAC 与基本分布式目标观点无缝集成, DSAC 考虑了行动和回报中的随机性,并在几个连续控制基准测试中超越了现有技术基线。除此之外,我们还探讨了三个具体的与风险相关的度量标准:百分位数,均值 - 方差和扭曲期望,通过分布建模实现了 RL 中的风险敏感。
Apr, 2020
利用神经网络估算 2D 图像与已知 3D 环境之间的对应关系,并使用 Robust Estimator 来拟合 6D 相机姿态,同时采用 MoE 和 ESAC 策略提高对数据中异常点和问题域的鲁棒性。
Aug, 2019
提出了一种在没有描述性局部特征向量和点配对的情况下,从点集中检索到图像的单应性变换的广义 RANSAC 算法 H-RANSAC,并在每次迭代之前基于随机点对选择的四边形类型(凸形或凹形以及(非)自相交)提出了一种鲁棒准则来拒绝不可信的点选择,并在每次迭代结束时包含了一个类似的事后准则来拒绝不可信的单应性变换,该方法在具有少数点,而且无法获得足够描述性局部特征的图像单应性对齐案例中表现出更好的性能。
Oct, 2023
这篇论文介绍了对标准的 DSAC 算法进行三个重要修正,包括评论家梯度调整、双值分布学习和基于方差的目标回报剪辑,修改后的 RL 算法被称为 DSAC-T 或 DSAC-v2,在各种基准任务中的表现进行了系统评估,结果显示,在所有测试环境中,不需要任何任务特定的超参数调整,DSAC-T 超越了许多主流的无模型 RL 算法,包括 SAC、TD3、DDPG、TRPO 和 PPO,并且与标准版本相比,DSAC-T 确保了高度稳定的学习过程,并在不同的奖励尺度下具有相似的性能。
Oct, 2023
该研究提出了一种适用于 RANSAC 的自适应采样方法,利用动态贝叶斯网络来更新数据点的内点得分,并采用加权采样和新的停止准则来提高算法的计算效率和准确性。
Sep, 2023
本文提出了一种强大的估计器,可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略,利用先前检测到的模型进行神经网络传递学习,并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集,该方法在消失点估计方面表现优异,并在多透视图下表现出优越性能。
Jan, 2020
本文介绍了一种使用可微分 RANSAC 层和基于不确定性的多视图 PnP 求解器对基于立体图像的物体姿态估计问题进行解决的方法,并在公开数据集上进行了评估,取得了与其他最近方法相比的最新结果。
Jul, 2023
该研究提出了一种基于 RANSAC 框架求解几何优化问题的方法,通过设计一种学习策略,可以避免计算大量伪解,从而有效地解决了几何优化问题的难点。通过在相对位姿问题中使用该方法,在每个视图中使用四个点进行最小松弛,可以快速精确地计算出相机之间的相对位置。
Dec, 2021