高效检测长一致周期及其在分布式同步中的应用
通过采用来自表示理论的思想并结合于统计物理中标准但非严谨的方法,我们提出了一种高效的迭代算法,用于解决利用多个“频道”(傅里叶模式或更一般的群表示)对紧致群上的同步问题进行测量的大类问题。
Oct, 2016
本文提出一种可扩展的结构运动问题(SfM)求解方法,通过引入相机聚类算法将大型SfM问题划分为具有重叠的相机簇的子问题,并将局部增量SfM的相对位置应用到全局运动平均框架中以产生准确且一致的全局相机位姿。我们能够重建含有超过一百万张高分辨率图像的城市级数据集的相机位姿,在基准、Internet和序列数据集上表现出卓越的准确性和鲁棒性。
Feb, 2017
本研究提出了一种使用Birkhoff Polytope的Riemannian geometry和Markov Random Field模型进行多图匹配的同步算法,可在较短时间内获得较高的匹配准确性和可靠的置信度/不确定度估计。
Apr, 2019
提出了一种高效的算法用于解决在高噪声和污染水平下的群组同步问题,并侧重于旋转同步;使用基于消息传递算法的方法来估计群组比率的污染水平和一种基于加权最小二乘法的新算法来估计群组元素,其中权重是使用估计的污染水平初始化并迭代更新的;在合成数据和实际数据上展示了我们的算法相对于最先进的旋转同步方法的卓越性能。
Jul, 2020
本文从最大似然估计的角度出发,提出了一种新的无需初始化的原始-对偶方法来解决旋转平均问题,同时,在循环图中得出了旋转平均的第一个闭合解,这一方法在精度和性能方面都有了显著的提升。
Sep, 2021
该研究提出了一种改进的算法,MatchFAME,用于估计观察到的偏部分置换的损坏水平,并实现了不需要谱初始化的非凸加权投影功率方法,证明在对抗性损坏下,CEMP-Partial能够精确分类损坏和清洁的部分置换。
Mar, 2022
提出了一种新的二次规划公式,用于估计组同步中的数据损坏程度,并使用这些估计值来解决此问题。该方法利用了组的循环一致性,并将其称为结构一致性的检测和估计(DESC)。该公式具有多种优点,例如可以容忍高达信息论界限的数据损坏,不需要好的初始化,具有简单的解读,并且在一些温和的条件下,我们的目标函数全局最小值恰好恢复数据损坏程度。我们在旋转均值的合成和真实数据实验中展示了该方法的竞争准确性。
Jun, 2022
使用有向图神经网络提出了GNNSync,一个理论基础的端到端训练框架,用于解决角度同步问题及其异构扩展,并通过新的损失函数在广泛数据集上进行实验证明GNNSync在高噪声水平下具有竞争力和优越性能。
Oct, 2023
在本文中,我们考虑了角度同步问题的动态版本,其中角度和测量图在T个时间点上演变。在假设潜在角度的演变具有平滑性条件的基础上,我们推导了三种算法来联合估计所有时间点的角度。此外,对于其中一种算法,我们在不同统计模型下建立了均方误差(MSE)的非渐近恢复保证。特别是,我们证明了在较静态设置下更温和的条件下,MSE随着T的增加收敛于零。这包括测量图高度稀疏且不连通的情况,以及测量噪声较大且可能随着T的增加而增加的情况。我们通过对合成数据进行实验来补充我们的理论结果。
Jun, 2024