面向几何视觉问题的高效大规模内点投票方法
计算机视觉与模式识别
2021-07-28 v2
摘要
外点剔除及等价的内点集优化是计算机视觉众多应用中的关键要素，例如相机位姿估计中的点匹配滤波，或点云中的平面与法线估计。现有多种方法，但在大规模场景下我们面临可能解的组合爆炸，且诸如RANSAC、霍夫变换或分支定界等最先进方法需要最小内点比或先验知识才能保持实用性。事实上，对于诸如极大场景中的相机位姿估计等问题，若不满足这些条件，这些方法会因指数级运行时增长而失效。为解决该问题，我们提出一种基于在中“相交”维曲面的高效通用外点剔除算法。我们提供了一种将多种几何问题表述为寻找中一点以最大化邻近曲面（从而内点）数量的方案。所得算法具有线性最坏情况复杂度，其近似因子上的运行时依赖优于竞争算法，且不需要领域特定的边界。这是通过引入一种空间分解方案实现的，该方案通过逐步舍入与分组样本来限制计算次数。我们的方案（及开源代码）使任何人都能跨广泛领域为新问题推导此类快速方法。我们在多个具有大量匹配和低内点比的相机位姿问题上展示了该方法的通用性，以显著更短的处理时间取得了最先进结果。
引用
@article{arxiv.2107.11810,
title = {Efficient Large Scale Inlier Voting for Geometric Vision Problems},
author = {Dror Aiger and Simon Lynen and Jan Hosang and Bernhard Zeisl},
journal= {arXiv preprint arXiv:2107.11810},
year = {2021}
}