潜在的 RANSAC
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
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
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
通过引入注意机制和一步变压器,我们提出了一种新的 RANSAC 框架,其学习通过考虑迄今为止观察到的残差来探索参数空间,并在实验中表现出了显著的性能提升和良好的泛化性能。
Jul, 2023
本研究介绍了一种名为 Graph-Cut RANSAC 的鲁棒性估计新方法,通过在局部优化(LO)步骤中运行图割算法,以区分内点和外点,该方法是概念简单、易于实现、全局最优和高效的。实验结果表明,Graph-Cut RANSAC 在线拟合,单应性,仿射变换,基础和本质矩阵评估等多种问题上几何精度比现有技术更高。
Jun, 2017
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
本文提出了一种简单的无监督方法来完成不同任务下两张图像之间的密集对齐问题,采用参数化和非参数化的两个阶段方法来实现初步和精细对齐,其中初步对齐使用了 RANSAC 和现成的深度特征,精细对齐使用了一种优化标准结构相似度度量的深度网络,并且已被应用于多个领域的数据集,包括 KITTI、Hpatches、YFCC100M、Aachen Day-Night 和 Brughel dataset。
Apr, 2020
本研究提出一种基于 1 点 RANSAC 的高效姿态估计方法,利用地面对象假设和 2D 对象边框作为附加观察来实现姿态计算,以实现最快的性能,并采用分层的鲁棒性估计方法来优化估计结果。在合成和实际数据集中的实验表明所提出的方法具有优越性。
Aug, 2020
该论文提出了一种创新的方法来增强可解释的图像检索,特别是在没有微调集的情况下。我们将空间模型替换为拓扑模型,并引入了生物启发的扫视和中央凹函数来验证特征之间的拓扑一致性,从而解决了现有方法的局限性。实验结果显示,我们的方法在非微调检索中显著优于已有方法,并且与微调特征结合使用时可提升性能。重要的是,我们的方法保持了高可解释性,同时具有轻量化的特点,适用于各种实际应用。
Oct, 2023