计算机视觉中的鲁棒拟合问题:易还是难?
本论文通过使用基于整数规划的图形中的测量规则对无模型分析的一致性极大化进行了阐述,并提供了一种用于消除离群值三维对应并实现优于现有技术水平的性能的方法,包括对三维模板进行图像匹配的类似公式的导出。
Jul, 2018
通过对残差数据进行迭代重新加权算法的分析,提出了一种平滑的代理函数,该函数的最小化导致一个极其简单的最大共识迭代加权算法。我们证明了我们的算法在许多情况下非常高效,并产生全局解,从而成为随机方法和全局优化器的一个有吸引力的替代方法.
Mar, 2018
本文提出了一种新的技术,通过使用高效的区间刺穿技术,在每个 Bound 计算中全局最优地解决剩下一个自由度,从而在三个基本几何计算机视觉问题中(相机定位、相对相机姿态估计和点集配准),将异议最大化算法的速度提高了两个数量级。
Apr, 2023
本文针对在计算机视觉中的鲁棒拟合策略 —— 全局最大值求解的问题,提出了两种新的加速策略:避免冗余路径的加速策略和对新的枝剪枝策略。实验证明,这两种新技术可以极大地加速 A * 树搜索,使其在过去几乎无法实现的一些输入上具有合理的效率。
Aug, 2019
本文介绍了一种适用于计算机视觉领域的一种基于 Monotone Boolean Function 的共识最大化算法,该算法能够在大量噪音或误差数据的情况下,快速生成近乎最优的解决方案。
Mar, 2021
本文提出了一种新颖的无监督学习框架,能够直接解决鲁棒模型拟合问题,相比之前的无监督学习方法,本方法在多个重要的计算机视觉问题上表现出色,并与传统方法取得了有竞争力的结果。
Mar, 2021
该论文提出了一种使用混合量子经典算法的鲁棒拟合方法,采用一系列整型规划求解并实现全局解或误差界限,该方法可为计算机视觉中的随机启发式算法提供较实用的改进。
Jan, 2022
利用现有的数值计算代数几何理论中的多项式优化问题,提出了一种通用的非最小化求解器,并将其应用于三维视觉中的非最小问题和一致性最大化问题,结果显示这种方法的结果与现有的方法相比非常有竞争力并且容易实现。
Sep, 2019
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