凸松弛在曼哈顿世界中鲁棒消失点估计中的应用
计算机视觉与模式识别
2025-06-06 v3
摘要
确定曼哈顿世界中的消失点（VPs），是许多3D视觉应用中的基础任务，涉及联合推断线-VP关联并定位每个VP。然而，现有方法要么是次优求解器，要么在计算时间成本高昂的情况下追求全局最优。与先前工作不同，我们首次引入凸松弛技术来解决此任务。具体而言，我们采用通过截断多选择误差实现的“软”关联方案，允许联合估计VP位置和线-VP关联。该方法导致一个原始问题，可转化为二次约束二次规划（QCQP）问题，再松弛为凸半正定规划（SDP）问题。为高效求解SDP问题，我们提出了一种全局最优离群容错迭代求解器（称为GlobustVP），该求解器在每个迭代中独立搜索一个VP及其关联线，其他线被视为离群点。在更新所有VP后，通过局部细化来强化曼哈顿世界中三个VP之间的互正交性。对合成数据和真实世界数据的大量实验表明，GlobustVP在效率、鲁棒性和全局最优性方面均优于先前工作。代码已公开提供于https://github.com/WU-CVGL/GlobustVP。
引用
@article{arxiv.2505.04788,
title = {Convex Relaxation for Robust Vanishing Point Estimation in Manhattan World},
author = {Bangyan Liao and Zhenjun Zhao and Haoang Li and Yi Zhou and Yingping Zeng and Hao Li and Peidong Liu},
journal= {arXiv preprint arXiv:2505.04788},
year = {2025}
}
备注
Accepted to CVPR 2025 as Award Candidate & Oral Presentation. The first two authors contributed equally to this work. Code: https://github.com/WU-CVGL/GlobustVP