Jun, 2019

Progressive-X: 高效、随时可用、多模型拟合算法

PDF
TL;DR本文提出了一种名为 Prog-X 的算法，通过重复的假设提出、快速拒绝和新假设的整合，探索数据的进展，实现几个有益于现有技术的性质，进而完成几个几何模型的拟合。
发现论文，激发创造
  • 通过能量最小化和模式寻求进行多类模型拟合

    本文提出一种名为 Multi-X 的多分类多实例模型拟合通用公式，通过一种新的标签空间移动技术，在模型参数的密度分布区域内自动设定关键的优化参数以实现快速且鲁棒的优化。并且结合基于交叉验证的技术去除数据中的离群点。该公式在公开数据集中的多种问题的表现均优于现有技术。

    Jun, 2017

  • 通过插值正交特征进行样本高效的域适应

    本文提出了一种名为 Pro$^2$ 的轻量、样本高效的方法，通过将预训练嵌入映射到正交方向来学习多样的预测特征，并在小目标数据集上适应目标分布。在多个数据集上的试验表明，与标准线性探测等先前方法相比，Pro$^2$ 提高了 5-15% 的性能。

    Feb, 2023

  • 凸松弛算法进行几何多模型拟合

    本文提出了一种通过凸松弛来拟合和分割多结构数据的方法，并演示了该方法在从图像中估算平面提取与单应性估计等问题上的高精度表现。

    Jun, 2017

  • 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

  • 渐进式结构运动

    本研究提出了一种新的逐步重建流程，具备增量和全局管道的能力，避免了绑定决策，能够产生渐进的输出，并在具有高度对称结构的难以应对的数据集上进行了评估。

    Mar, 2018

  • 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

  • 渐进降阶建模：以选择性知识传输强化数据驱动建模

    通过减少数据需求并提高数据驱动模型的实际性，我们提出了一种渐进降阶建模框架，通过选择性地从之前的训练模型中转移有价值的知识，从而创建一个具有高准确性的代理模型。我们的研究通过缓解数据稀缺问题，解锁了数据驱动建模在实际工程应用方面的潜力，为各个领域的进步提供了强有力的支持。

    Oct, 2023

  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • 带逐步方差缩减的近端随机梯度下降法

    提出了一种多级方案来逐渐减少随机梯度方差的新的近端随机梯度方法，用于解决平滑组件函数的平均和简单近端映射的一般凸函数总和的极小化问题。

    Mar, 2014

  • 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