基于神经引导 MAGSAC 的自适应重排序采样器
计算机视觉与模式识别
2023-09-11 v3
摘要
我们为鲁棒估计器提出了一种新的采样器，其总是选取仅由内点组成概率最高的样本。在每次不成功的迭代后，内点概率通过贝叶斯方法以合理的方式更新。深度网络获得的概率被用作采样器内部的先验（即所谓神经引导）。此外，我们引入了一种新的损失，它以几何上合理的方式利用可为任意类型特征（例如 SIFT 或 SuperPoint）估计的方向与尺度，来估计两视图几何。新损失有助于学习关于底层场景几何的高阶信息。受益于新采样器与所提损失，我们将神经引导与最先进的 MAGSAC++ 相结合。基于神经引导 MAGSAC 的自适应重排序采样器（ARS-MAGSAC）在 PhotoTourism 和 KITTI 数据集上就本质矩阵与基础矩阵估计的精度和运行时间而言均优于最先进方法。代码与训练模型可在 https://github.com/weitong8591/ars_magsac 获取。
引用
@article{arxiv.2111.14093,
title = {Adaptive Reordering Sampler with Neurally Guided MAGSAC},
author = {Tong Wei and Jiri Matas and Daniel Barath},
journal= {arXiv preprint arXiv:2111.14093},
year = {2023}
}