May, 2023

分散和加速实现大规模捆绑调整

PDF
TL;DR本文提出了一种完全去中心化的方法，通过重构再投影误差和导出新的代理函数，解决了通信和计算瓶颈，将 bundle adjustment 问题分解成可并行求解的最优化子问题，最终达到更快的收敛速度和更准确的结果。
bundle adjustmentdecentralized methodoptimizationmajorization minimization techniquesconvergence
发现论文，激发创造
  • 用随机束调整进行高效可扩展的三维重建

    提出了一种基于 LM 算法的随机捆绑调整算法，通过图像的聚类，将 RCS 近似分解到 LM 迭代中以提高计算效率并改进可扩展性，实验结果表明该方法在无序网络图像集、SLAM 图像集和大规模数据集上都具有很高的效率和可扩展性。

    Aug, 2020

  • 一种捆绑调整的游戏 —— 学习高效收敛

    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

  • 分布式优化的线性收敛算法：免费发送更少的比特！

    提出了一种新的基于随机压缩算子的一阶随机算法和方差约简技术，能够在去除了通信中数据量的一定压缩的前提下，快速地在分散的装置上完成模型的机器学习训练并收敛于最优解。

    Nov, 2020

  • 大规模光度捆绑调整

    本文提出一个通过联合光度优化密集几何和摄像机参数，用于 3D 重建的框架，使其比特征点 bundle 调整更具指标重建精度，该框架可以应用于大规模的数据集，并且在面对不同的光照和相机内参时有更好的表现。

    Aug, 2020

  • 超大规模数据的分布式束调整和基于块的稀疏矩阵压缩

    本文提出了利用精确的 Levenberg-Marquardt 算法进行分布式大规模数据集的 bundle adjustment 方法，使用基于块的稀疏矩阵压缩格式来存储和更新全局 reduced camera system，并在实验中展示了该方法的高效性和可扩展性。

    Jul, 2023

  • 大规模重建的平方根束调整

    提出了一种新的捆绑调整问题的公式，该公式依赖于通过 QR 分解对路标变量进行零空间边缘化。我们称之为平方根捆绑调整法，它在代数上等价于常用的 Schur 补技巧，提高了计算的数值稳定性，并允许使用单精度浮点数来解决大规模捆绑调整问题。

    Mar, 2021

  • 一种基于有效本地函数逼近的高效分布式学习算法

    本文提出了一种新的分布式训练线性分类器的方法，旨在减少通信成本，在迭代期间每个节点最小化局部形成的近似目标函数，然后合并得到下降方向移动，该方法可以看作是迭代参数混合法。

    Oct, 2013

  • 高效通讯的分布式鲁棒性分布式学习

    本文介绍了一种分布式学习算法 —— 去中心化单环梯度上升 / 下降算法（AD-GDA），以解决设备之间数据分布不均导致合作训练模型性能下降的问题，并采用压缩共识方案提高通信效率，并给出了平滑凸和非凸损失函数的收敛性保证。

    May, 2022

  • 强健且通信高效的协作学习

    本文提出了一种名为 QuanTimed-DSGD 的新型分布式渐进优化算法，通过调整每个节点在算法每一步中本地计算梯度的截止时间和节点间交换量化本地模型的机制来解决分布式计算中经常遇到的滞后和通信效率低的问题，数值评估结果表明该算法与最先进的分布式优化方法相比，运行时间可提速至多 3 倍。

    Jul, 2019

  • MegBA：基于 GPU 的大规模束调整分布式库

    本文介绍了 MegBA—— 一种基于 GPU 的分布式大规模相机捆绑优化库，相较于目前现有的 Ceres、RootBA 和 DeepLM 等大规模相机捆绑优化库，它在一些大规模测试中表现出了更高的性能，可以提供巨大的聚合内存，可以自动划分大的 BA 问题，并将子问题的求解器分配到并行节点上。

    Dec, 2021