学习解决困难极小化问题
本文介绍了一个使用计算代数和黎曼几何工具来分析多视角几何中最小问题的数值条件的通用框架。我们从标准的 5 点或 7 点随机采样一致性(RANSAC)算法在相对姿态估计时的失败情况出发,即使在没有离群值和足够数据支持假说的情况下。我们认为这些情况是由于 5 点和 7 点最小问题的固有不稳定性引起的。我们将我们的框架应用于表征造成条件数无穷大的世界场景,以及直接在图像数据中表征病态。该方法产生了在求解最小问题之前评估条件数的计算测试。最后,合成和真实数据的实验证明,RANSAC 不仅可以去除离群值,还可选择具有良好条件的图像数据,如我们的理论所预测。
Oct, 2023
介绍了一种新的最小问题家族,以解决多视图的重建问题,并提出了一种创新的自标定方法,通过对图像点、三维点的未知深度和部分指定的标定矩阵 K 的约束来解决问题。通过实验表明,与现有方法相比,我们的方法在准确性上取得了卓越的成果。
May, 2024
该研究提出了一种新的最小解算器系统性生成方法,通过消除不出现在线性方程的未知数并通过升级实现线性化对完全非线性问题问题的求解,我们成功地提出了三个部分标定相机相对姿态计算问题的更有效解决方案,同时还发现了部分标定相机的基础矩阵的新约束关系。
Mar, 2017
提出了一种能以恒定时间(与数据大小无关)评估 RANSAC 假设的方法,通过 Random Grids 的寻找相似假设对的方式,大大提高了 RANSAC 流程的效率且不影响准确性,成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问题。
Feb, 2018
在两视相对估计中,本文介绍了一种基于最近的仅位姿成像几何来通过适当的重新加权过滤异常值的线性相对姿态估计算法,该算法能够处理平面退化场景,在存在高比例异常值的情况下提高鲁棒性和准确性,通过将线性全局平移约束嵌入迭代重新加权最小二乘 (IRLS) 和 RANSAC 的策略中来实现鲁棒异常值去除,Strecha 数据集的仿真和实际测试表明,该算法在面对高达 80% 的异常值时实现了 2 到 10 倍的相对旋转准确性改进。
Jan, 2024
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
利用现有的数值计算代数几何理论中的多项式优化问题,提出了一种通用的非最小化求解器,并将其应用于三维视觉中的非最小问题和一致性最大化问题,结果显示这种方法的结果与现有的方法相比非常有竞争力并且容易实现。
Sep, 2019
本文提出了一种基于稀疏 resultant 方法的奇异值问题转化方法,可以显著提高计算机视觉问题中多项式方程组求解方法的效率和稳定性。实验证明,该方法准确性与 Gröbner 基求解器相当,有些问题甚至可以得到更小和更稳定的求解器。
Dec, 2019