EAR-Net：从多视图图像端到端求解绝对旋转
计算机视觉与模式识别
2024-03-11 v2
摘要
绝对旋转估计是三维计算机视觉中的重要课题。现有文献工作普遍采用多阶段（至少两阶段）估计策略，其中多个独立操作（特征匹配、两视图旋转估计与旋转平均）被顺序执行。然而，这种多阶段策略不可避免地导致各参与操作的误差累积，并相应降低其最终全局旋转估计。为解决该问题，我们提出一种基于深度神经网络的端到端多视图图像绝对旋转估计方法，称为EAR-Net。所提EAR-Net由对极置信图构建模块与置信感知旋转平均模块组成。对极置信图构建模块被探索用于同时预测输入图像间两两相对旋转及其对应置信度，从而得到加权图（称为对极置信图）。基于此图，探索了可微的置信感知旋转平均模块以预测绝对旋转。得益于引入的相对旋转置信度，所提EAR-Net能有效处理离群情况。在三个公开数据集上的实验结果表明，EAR-Net在精度与速度上大幅优于最先进方法。
引用
@article{arxiv.2310.10051,
title = {EAR-Net: Pursuing End-to-End Absolute Rotations from Multi-View Images},
author = {Yuzhen Liu and Qiulei Dong},
journal= {arXiv preprint arXiv:2310.10051},
year = {2024}
}