极端异常值率下的稳健配准多项式时间解决方案
提出了一个名为 TEASER 的算法,它使用 TLS 成本和图论框架来解决 3D 点集之间的快速且可靠的配准问题,能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限,并且在标准和 3DMatch 基准测试中都表现出跨越式的性能优势。
Jan, 2020
在计算机视觉领域,针对具有异常数据的三维点对输入集合,我们提出了一种名为 TEAR 的方法,其旨在通过最小化一个鲁棒性强的损失函数来实现三维配准,该方法能够处理超过 1000 万个点对,并且具有高效性、低内存成本和高准确性。
Apr, 2024
本文提出了第一种通用且实用的框架,用于设计可证明的算法以应对大量离群值的情况下进行鲁棒几何感知,该算法使用截断最小二乘(TLS)代价函数,TLS 估计可以重新构制为多项式环上的优化,支持证明获得 TLS 问题的全局最小值,同时也可以使用斯内尔定理进行基础缩减,使用 SOS 松弛的双优化认证器,大大减小了 SDP 优化问题的复杂度,解决了当前 SDP 求解器无法解决的大规模问题。
Jun, 2020
研究点集注册问题中的异常值如何影响两个点云之间的最优旋转问题,比较了基于非凸优化和凸松弛的方法,实验发现,特殊正交群上直接最小化最小不平方偏差能够更好地处理异常值和恢复旋转。
Apr, 2020
该研究利用截断最小二乘法和半定松弛等方法旨在提高旋转搜索算法的抗干扰性,此外,该研究探讨了在噪声干扰和离群值存在的情况下,如何将求解半定松弛问题的结果作为 TLS 的替代方案。
Jul, 2022
该研究提出了第一个通用且可扩展的框架,用于设计可靠的几何感知算法,以在存在异常值的情况下证明其准确性,并在六个几何感知问题上进行了评估。
Sep, 2021
本文介绍了一种名为 “保证异常值去除” 的预处理方法,该方法使用纯几何操作将输入点云的异常值数量显著减少,以便更快地执行进一步的优化,并保留全局最优解。
Nov, 2017
通过启发式参数搜索策略,该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法,通过对可行域的三阶分解和一维区间刺探的利用,降低了搜索维度,并展示了与最先进方法相当的鲁棒性和显著的效率提升。
Apr, 2024
本文首次给出了一个多项式时间算法,用于在示例和标签中对抗性堕落下执行线性或多项式回归,并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。
Mar, 2018
提出了一种能处理未知比例尺和极端异常值比例的点云配准鲁棒方法 PCR-99,使用确定性 3 点采样方法和两个新机制,显著提高了速度:(1) 基于两两比例一致性的样本改进排序,优先考虑更可能为内点的点对应关系,(2) 基于三元比例一致性的高效异常值剔除方案,预筛坏样本并减少待测试假设数量。评估结果表明,该方法在高达 98% 的异常值比例下,与现有技术相比能取得可比较的性能。然而,在 99% 的异常值比例下,无论是已知比例尺问题还是未知比例尺问题,该方法均表现优于现有技术,尤其是对于后者,在鲁棒性和速度方面表现出明显的优越性。
Feb, 2024