May, 2024

无初始化的大规模捆绑调整的功率变量投影

PDF
TL;DR基于初始化的无初始化捆绑调整问题的求解方法相对较少，与 Levenberg-Marquardt 算法相比，未充分探索的 Variable Projection 算法展现了宽广的收敛区域，结合对象空间误差构建，最近的研究已经展示了其无初始化捆绑调整问题求解的能力，本研究引入了基于幂级数的反转扩展方法来扩展 Power Variable Projection，将幂级数扩展与 Riemannian 流形优化相连，这一投影框架对于无初始化的大规模捆绑调整问题求解至关重要，实验证明，使用真实世界的 BAL 数据集，我们的求解器在速度和准确度方面达到了最先进的结果，特别地，我们的工作是首次解决了无初始化 BA 的可扩展性，并为无初始化的结构运动打开了新的研究方向。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 概率降维向量自回归模型与斜投影

    本研究提出了一种概率降维向量自回归（PredVAR）模型，从高维噪声数据中提取低维动力学。该模型利用斜投影将测量空间划分为容纳降维动力学的子空间和互补的静态子空间。基于此，我们使用最大似然和期望最大化（EM）框架开发了一个迭代的 PredVAR 算法。该算法交替更新潜在动力学和最优斜投影的估计值，产生按预测可行性排序的动态潜在变量和与外投影模型一致的显式潜在 VAR 模型。通过合成 Lorenz 系统和 Eastman 化工的工业过程数据集，证明了这种方法的优越性能和效率。

    Jan, 2024

  • 流形上的变分贝叶斯

    本文将 VB 方法的范围扩展到 Riemann 流形的情况，开发了一种基于流形的 VB 算法，对概率分布进行逼近。所提出的算法在数值实验中表现稳定，较现有 VB 方法更具优势。

    Aug, 2019

  • 基于投影幂法的联合对齐算法

    该论文提出了一种新的低复杂度算法框架，基于投影幂迭代算法，处理了离散标签分配等多种应用问题，解决了经典问题主要通过最大似然估计，同时证明了算法在一定条件下的正确性及收敛性。

    Sep, 2016

  • 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

  • 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

  • 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