NeFSAC: 神经过滤的最小样本
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
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
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
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
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
RANRAC 是一个稳健的重建算法,用于处理被遮挡和分散的图像中的 3D 物体,支持光场网络的单拍重建,并适用于基于神经辐射场的真实世界图像的真实、稳健的多视角重建。
Dec, 2023
该研究提出了一种基于 RANSAC 框架求解几何优化问题的方法,通过设计一种学习策略,可以避免计算大量伪解,从而有效地解决了几何优化问题的难点。通过在相对位姿问题中使用该方法,在每个视图中使用四个点进行最小松弛,可以快速精确地计算出相机之间的相对位置。
Dec, 2021
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
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