基于变分贝叶斯的三维配准鲁棒离群点剔除
本文提出一种基于概率方法的鲁棒后端优化方案,通过建立贝叶斯网络模型,利用长尾柯西分布抑制异常点的特征匹配,以及一组二元潜在变量的柯西 - 均匀混合模型同时抑制循环闭合约束中的异常点特征匹配。并在实验中证明了我们的方法在大规模室内和室外数据集上均具有良好的性能表现。
May, 2019
该论文提出了一种基于邻域一致性的可靠内点评估方法,以提高无监督点云配准的精度,并利用匹配映射细化模块和内点评估模块配合实现精确配准,最终使用加权 SVD 算法进行转换估计。
Feb, 2022
本文提出了一种鲁棒性强的伪贝叶斯变分方法,它通过将适用于数据拟合的 Kullback-Leibler 距离替换为 beta - 和 gamma - 距离,从而实现对深度网络等复杂模型的处理,并在实验中表现出比普通变分推断更好的鲁棒性。
Oct, 2017
通过量化分位数的最大似然目标为学习内点分布并改善稀有点分离,我们的方法使用训练好的判别特征适应一个标准化流,并根据评估的对数似然检测稀有点。通过实验评估,我们的方法表现优于现有的无监督方法,并与最近的自监督方法竞争。我们的工作能减少对充分负样本训练数据的依赖,尤其对医学诊断或遥感等领域具有重要意义。
Aug, 2023
本研究提出了一种基于局部和全局约束条件的快速三维模型匹配方法,通过对前置投票阶段的依赖进行采样,可以高精度地匹配不同数据集中的物体,并在高级视觉中具有很大的潜在应用。
Aug, 2017
我们提出了一种有效的无监督点云配准方法,通过捕捉源点云与其对应的参考点云副本之间的几何结构一致性,实现了对内点的可靠估计和自监督信号,从而提高了匹配的准确度和优化模型完成的鲁棒性。
Jul, 2023
本文提出了一种改进的联合学习框架,包括强鲁棒性嵌入判别器和局部结构约束,来改善 VaDE 聚类方法的两个问题。实验结果表明,我们的方法在各种基准数据集上表现优于现有模型,并且对抗输入具有极强的稳健性,可实际应用于实践。
Dec, 2020
通过研究使用变分自编码器(VAE)进行异常检测的方法,本文提出了新的分析和算法方法来纠正 VAE 似然值中的偏差,并展示了一种用于改进异常检测的先前已知图像预处理技术,最终在九个灰度图像和自然图像数据集上实现了最先进的准确度,同时跑的更快且性能更佳,轻量的修复程序就能够实现 VAE 的强健异常检测。
Aug, 2021
本研究提出了 IO-Net (内点外点网络) 和 KeypointNet (关键点网络) 两种神经网络架构,分别用于自监督学习的关键点检测、描述和匹配,通过在挑战性基准测试上的实验证明,所提出的自监督学习方法显著提高了关键点匹配和单应矩阵估计的质量。
Dec, 2019
本文提出了一种采用拒绝抽样方法来舍弃具有低似然的变分后验采样的方法,并使用一种新的梯度估计器,以 MNIST 数据集为例,在估计边际对数似然时,相对于现有的基于单样本和多样本的方法,可以平均提高 3.71 个 nats 和 0.21 个 nats 的准确性。
Apr, 2018