无需对应点的深度基本矩阵估计
使用 SIFT 检测器获取的五个旋转不变特征对,估计两视图中的基础矩阵,首先从三个对应点估计一个单应性矩阵,然后从该矩阵和另外两个位置一般的点对中获取基本矩阵,结合 Graph-Cut RANSAC 等鲁棒估计器优于其他最先进的算法,在准确性和所需迭代次数方面得到验证。作为潜在应用,我们展示了使用所提出的方法使得两视图多运动估计更加准确。
Mar, 2018
给出两幅图像中提取的点匹配集合,我们的方法通过使用 Deep Sets 基于简单网络架构来识别离群点匹配,并对内点匹配中的位移噪声进行建模。通过加权的 DLT 模块,我们的网络实现了比现有复杂网络结构更准确的关键矩阵恢复。
Jun, 2024
本文利用基础矩阵的秩等性构造了一个对称的秩 3 矩阵,矩阵内的元素与对应的相机矩阵相关。通过优化 L1-Cost 函数使用迭代加权最小二乘法和交替方向乘数法可以更好地估计基础矩阵,特别是在图片数量不够多的多视图设置下可以提高相机位置的恢复精度。
Feb, 2017
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
本研究比较了不同误差判定准则的准确度和效率,发现流行的对称极线距离存在偏差,提出了一种新的最有效的 Kanatani 距离准则,并使用随机算法为基于再投影误差的对应生成提供了一种评估方法。
Jun, 2017
在几何计算机视觉中,给定基础矩阵的两个摄像机自标定问题是一种基本问题。本文提出了一种有效且鲁棒的迭代方法,利用基础矩阵和相机参数的先验估计,估计摄像机的焦距和主点,并且研究了基于 RANSAC 的模型检查方法,有效提高了估计模型的准确性和计算效率。实验证明,即使依赖于不准确的先验,我们的迭代方法相比于 Bougnoux 公式和其他最先进的方法,在估计焦距的准确性方面取得了显著的改进。
Nov, 2023
本文提出了一种仅使用两个仿射对应来估计两个半标定相机之间的公共焦距和基本矩阵的最小解法。其利用局部仿射变换导出的线性约束扩展了点对应技术,并通过隐变量技术高效地求解多元多项式系统。同时,为了选择出最优解,引入了新颖的条件和根选择技术,在高噪声情况下表现优异。该算法在合成数据和 104 对公开的实际图像上得到验证,论文中还包括了 MATLAB 实现。
Jun, 2017
评估最近算法在图像匹配及极线几何评估中的表现,并利用它们设计出更实用的注册系统,扩大计算机视觉任务的应用,通过四个大型数据集的实验,提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器,具有潜在的应用前景。
Aug, 2019
相机位姿估计的方法可以通过找到对应关系和解决基础矩阵的方式在大多数情况下提供高精度,而使用神经网络直接预测姿态的方法对于有限重叠的情况更加鲁棒,并能够推断出绝对平移尺度,但精度较低。我们展示了如何结合这两种方法的优点;我们的方法能够同时提供精确和稳健的结果,并准确推断出平移尺度。我们模型的核心是一个 Transformer,它通过学习平衡已解决和学习的姿态估计,并提供一个先验信息来指导求解器。全面的分析支持了我们的设计选择,并证明了我们的方法能够灵活适应各种特征提取器和对应估计器,在 Matterport3D、InteriorNet、StreetLearn 和 Map-free Relocalization 上展现了最先进的 6 自由度姿态估计性能。
Mar, 2024
本文提出了一种无监督框架用于训练图像估计网络,针对仅含测量值而没有地面真实图像的训练集,可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务,而且在考虑到非盲和盲训练的情况下,在压缩感知和盲复原中训练出的模型近似与全监督则没有太大的差距。
Jun, 2019