Aug, 2023

一种捆绑调整的游戏 —— 学习高效收敛

PDF
TL;DR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。
bundle adjustmentlocalizationmappingreinforcement learningconvergence
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

  • 分散和加速实现大规模捆绑调整

    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。

    May, 2023

  • PSS-BA：具有渐进空间平滑的 LiDAR 束调整

    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

  • 使用相对运动海森矩阵的无意义全局捆绑调整

    本文提出了一种新的捆绑调整目标，它不依赖于图像特征的重新投影误差，同时保持与传统捆绑调整相当的精度，通过平均相对运动和局部海森矩阵的加权目标函数，从而隐含地考虑结构信息，利用全局对齐来引导最终优化。

    Apr, 2023

  • 在线自适应方法、普适性和加速

    本文针对凸无约束优化问题提出了一种新方法，通过一种自适应学习率规则和线性耦合两个序列的方式，利用重要权重和自适应在线学习算法的思想实现了对光滑目标、非光滑一般情况和随机优化的加速收敛。实证分析表明了本方法在上述场景中的适用性并证实了我们的理论发现。

    Sep, 2018

  • 从方差到真实性：在可微束调整层中解构和减轻梯度方差

    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

  • SBEED：非线性函数逼近的收敛强化学习

    本文使用 Nesterov 的平滑技术和 Legendre-Fenchel 变换将贝尔曼方程式重新构成一个新的原始对偶优化问题，并开发了一个名为平滑贝尔曼误差嵌入的新算法来解决这个优化问题，其中可以使用任何可微分类函数。我们提供了通用非线性函数逼近的第一个收敛保证，并分析了算法的样本复杂度。经验上，我们的算法在几个基准控制问题中与最先进的基准线相比表现得非常好。

    Dec, 2017

  • 基于视觉 SLAM 的光度捆绑调整

    本文提出了一种新颖的算法，用于直接从图像数据中联合优化结构和运动参数，而无需依赖固定和已知的对应关系。

    Aug, 2016

  • 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

  • 仅旋转束调整

    提出一种新方法来独立估计相机的全局旋转，从而改进旋转平均的精度，并且对不准确的平移和结构具有完全免疫力。

    Nov, 2020