新旧融合：基于几何引导不确定性的相对相机位姿学习
计算机视觉与模式识别
2021-04-19 v1
摘要
相对相机位姿估计的学习方法在很大程度上是独立于经典几何方法而发展的。如何将深度神经网络（DNN）的预测与几何求解器（如五点算法）的解相整合，迄今仍未被充分探索。本文提出了一种新颖框架，在网络训练期间实现两类预测之间的概率融合，以期可学习地利用它们互补的优势。该融合通过显式由几何不确定性引导来学习 DNN 不确定性而实现，从而学会将几何解与 DNN 预测相关联地加以考虑。我们的网络采用自注意力图神经网络，通过强化不同对应点之间的强交互并潜在建模点间复杂关系来驱动学习。我们提出了适用于学习的运动参数化方法，并展示我们的方法在具有挑战性的 DeMoN 和 ScanNet 数据集上达到了最先进的性能。虽然我们聚焦于相对位姿，但我们设想我们的流程可广泛适用于融合经典几何与深度学习。
引用
@article{arxiv.2104.08278,
title = {Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty},
author = {Bingbing Zhuang and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2104.08278},
year = {2021}
}
备注
CVPR 2021, Oral