BA-Net：稠密束调整网络
计算机视觉与模式识别
2019-08-27 v3
摘要
本文引入一种网络架构，通过特征度量束调整（BA）解决运动恢复结构（SfM）问题，该方法以特征度量误差的形式显式施加多视图几何约束。整个流程是可微分的，因此网络可以学习合适的特征，使 BA 问题更易处理。此外，本工作引入一种新颖的深度参数化方法以恢复稠密逐像素深度。网络首先根据输入图像生成若干基深度图，并通过特征度量 BA 将这些基深度图线性组合优化为最终深度。基深度图生成器也通过端到端训练学习。整个系统巧妙结合了领域知识（即硬编码的多视图几何约束）与深度学习（即特征学习与基深度图学习）来解决具有挑战性的稠密 SfM 问题。在大规模真实数据上的实验证明了所提方法的成功。
引用
@article{arxiv.1806.04807,
title = {BA-Net: Dense Bundle Adjustment Network},
author = {Chengzhou Tang and Ping Tan},
journal= {arXiv preprint arXiv:1806.04807},
year = {2019}
}
备注
Revised for rebuttal Code available at https://github.com/frobelbest/BANet