使用相对运动海森矩阵的无意义全局捆绑调整
提出了一种基于滚动快门相机的相机姿态估计和环境几何估计的鲁棒快速 Bundle Adjustment 解决方案,该方案采用了标准化和协方差标准化加权的组合,避免平面退化,并针对其雅可比矩阵和舒尔补的稀疏性进行加速。
Sep, 2022
通过将 bundle adjustment 问题看作一个强化学习任务,我们提出了一种方法来训练一个代理模型选择阻尼因子,该方法显著减少了达到 bundle adjustment 收敛所需的迭代次数,并且可以与其他加速方法整合。
Aug, 2023
本文介绍了一种新颖的框架实施几何密集束调整(DBA),使用 3D 神经隐式表面进行地图参数化,通过密集光流预测引导的几何误差来优化地图表面和轨迹姿态,进一步改进了密集 * 映射的质量。我们在多个行驶场景数据集上的实验结果表明,我们的方法在轨迹优化和密集重建精度方面取得了优越的效果。我们还研究了光度误差和不同的神经几何先验对表面重建和新视角合成性能的影响。我们的方法是利用神经隐式表示在密集束调整中实现更准确的轨迹和详细环境映射的重要一步。
Apr, 2024
本文提出了一种基于加速采样和哈希编码的框架 BAA-NGP,它能够加快位姿估计、场景重建和新视角合成的处理速度,并在不降低位姿估计质量的情况下,比其他基于束调整的神经辐射场方法提高了十倍至二十倍的速度。
Jun, 2023
本文提出一种采用局部和全局旋转平均法的混合方法,结合快速的视图图滤波预处理,解决 3D 重建中的精度和准确性问题,并将此方法应用于增量式运动结构,从而将此方法的实用性提高到很高的程度,实验表明,此方法可以有效地纠正糟糕的相机姿态和减小漂移。
Jan, 2021
介绍了一种使用深度学习和先验领域知识相结合的网络架构来解决 structure-from-motion (SfM) 问题,通过 Bundle Adjustment (BA) 加入特性度量误差来明确地强制执行多视角几何约束,并且使用新的深度参数化来恢复密集的逐像素深度。实验证明了该方法的成功。
Jun, 2018
通过使用在训练问题中预测的权重来降低梯度方差,从而减轻异常值的影响,我们提出了一个简单但有效的解决方案,以实现更快的训练速度并在不牺牲性能的情况下在不同的训练设置中更具灵活性。
Jun, 2024
该论文介绍了一种具有渐进空间平滑的 LiDAR 束调整方法,用于复杂环境下的点云构建,能够获得高质量的点云重建结果,并在复杂环境中展现出更好的精度。
Mar, 2024