以凸优化构建罗马
机器人学
2025-07-02 v4 计算机视觉与模式识别
最优化与控制
摘要
通过深度预测和凸优化，全局光束法平差变得简单。我们（i）提出了一种缩放光束法平差（SBA）公式，利用学习到的深度将2D关键点测量提升到3D；（ii）设计了一个经验上紧的凸半定规划（SDP）松弛，可证明地将SBA求解至全局最优；（iii）通过Burer-Monteiro分解和基于CUDA的信任域黎曼优化器（称为XM）以极大规模求解SDP松弛；（iv）构建了一个以XM为优化引擎的运动恢复结构（SfM）流程，并展示XM-SfM在重建质量上与现有流程相比具有优势，同时速度显著更快、可扩展性更强且无需初始化。
引用
@article{arxiv.2502.04640,
title = {Building Rome with Convex Optimization},
author = {Haoyu Han and Heng Yang},
journal= {arXiv preprint arXiv:2502.04640},
year = {2025}
}