Mar, 2018

MAGSAC：边缘化采样一致性

PDF
TL;DR该论文提出了一种称为 sigma-consensus 的方法，用于消除 RANSAC 中需要一个用户定义的内点外点阈值的需要。该方法通过边缘化一系列噪声比例来估计噪声 sigma，并基于所有可能是内点的点的似然性 sigma 的边缘化进行加权最小二乘拟合来优化模型。使用 sigma-consensus，提出了 MAGSAC 方法，无需用户定义 sigma，并显著提高了鲁棒估计的几何精度，优于公开可用的实际数据集上的最新技术，如基线和单应性估计。此外，将 sigma-consensus 仅作为后处理步骤应用于 RANSAC 输出时，始终可以提高广泛的视觉问题的模型质量，几乎不会影响处理时间。
sigma-consensusransacweighted least-squares fittingmagsachomography estimation
发现论文，激发创造
  • MAGSAC++，一种快速、可靠、准确的鲁棒估计器

    提出了一种新的鲁棒估计方法 MAGSAC ++，它引入了一种不需要内点 - 外点决策的新模型质量（评分）函数，并且提出了一种新的采样器 Progressive NAPSAC 用于类似于 RANSAC 的鲁棒估计器。在六个公开数据集上的实验表明，MAGSAC ++ 优于最先进的鲁棒方法，它速度更快，几何精度更高，失败率更低。

    Dec, 2019

  • 深度 MAGSAC++

    本文提出了 Deep MAGSAC++，通过结合传统和深度稳健估计器的优势，引入了一种利用部分仿射不变特征的方向和尺度的新型损失函数，同时采用一种新的随机抽样一致性算法（RANSAC）采样器以及基于贝叶斯方法的优化更新。深度网络的预测作为抽样器内的先验使用。在公共数据集上验证，Deep MAGSAC++ 在基础矩阵估计方面，无论是准确性还是运行时间，均优于现有技术。

    Nov, 2021

  • 共识自适应 RANSAC

    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

  • 基于条件采样共识的多模型健壮拟合

    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

  • BANSAC: 自适应样本共识的动态贝叶斯网络

    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

  • 应用专家样本一致性算法进行相机重定位

    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

  • NeFSAC: 神经过滤的最小样本

    本文介绍了一种机器学习算法 NeFSAC，该算法可提高 RANSAC 算法的速度和准确性，特别是在姿态估计中。作者证明该算法在多个现实世界的数据集上性能优于传统的基于 RANSAC 的方法，并提供源代码。

    Jul, 2022

  • 一种加速视觉 SLAM 的错误匹配排除方法

    通过将 GMS（基于网格的运动统计）与 RANSAC（随机抽样一致性）结合，加速了 Visual SLAM 方法，提高了特征匹配的准确性，从而减少了系统的实时性能影响。

    Feb, 2024

  • 无需对应的双视角几何评分

    该论文研究基于 RANSAC 的两视图几何相机位姿估计问题，并提出一种名为 Fundamental Scoring Network 的新方法，它利用双视图几何模型中的极线注意力机制来预测两幅图像的位姿误差。该方法能够成功地估计出图像间的好的位姿，具有较好的性能，以及与 MAGSAC ++ 评分方法相结合的优势。

    Jun, 2023

  • PARSAC: 并行样本一致性加速健壮的多模型拟合

    我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。

    Jan, 2024