急切模式下的束调整
本研究设计了一种以物理驱动的DeepSFM体系结构,对深度和姿态进行估计,在显式结构约束和深度学习技术的共同作用下,实现了与传统BA和新兴深度学习技术的优点相结合的分离拍摄下位姿和深度估计
Dec, 2019
本文研究了基于Graphcore智能处理单元(IPU)的图处理器,证明了用高斯置信传播算法可以极快地解决经典计算机视觉问题中的束调整问题,并表明图处理的真正优势在于处理表示空间AI问题的一般动态因子图的灵活本地优化。
Mar, 2020
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
本文提出了Bundle-Adjusting Neural Radiance Fields (BARF) 用于训练NeRF从不完美(甚至未知)相机姿态学习神经3D表示,并展示了其在视图合成和定位视频序列方面的应用。
Apr, 2021
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
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
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
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
我们提出了一种新颖的三维重建框架CBARF,通过级联更新相机姿态和使用邻近替换策略来优化姿态和合成新视角,实验结果表明CBARF在姿态优化和新视角合成方面取得了最先进的性能。
Oct, 2023
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