面向双视图几何估计问题的优良关键点
计算机视觉与模式识别
2025-06-02 v2
摘要
局部特征是众多现代下游应用的核心要素。因此,探究局部特征的哪些性质有助于提升下游性能,从而更好地设计特征检测器与描述子,是一项值得关注的研究。在本文中,我们针对双视图几何估计问题,提出了一种用于对特征点(关键点)进行打分的新理论模型。该模型确定了用于求解单应性估计问题的优良关键点应具备的两项性质:可重复性以及较小的期望测量误差。该结果深刻揭示了为何最大化对应点数量并不总能带来更高的单应性估计精度。我们利用所建模型设计了一种能够检测有益于单应性估计的关键点的方法,并提出了 Bounded NeSS-ST(BoNeSS-ST)关键点检测器。BoNeSS-ST 的新颖之处在于其坚实的理论基础、得益于亚像素精化而更为精确的关键点打分,以及针对低显著性关键点具有更强鲁棒性的代价设计。因此,BoNeSS-ST 在平面单应性估计任务上优于以往的自监督局部特征检测器,在对极几何估计任务上则与之相当。
引用
@article{arxiv.2503.18767,
title = {Good Keypoints for the Two-View Geometry Estimation Problem},
author = {Konstantin Pakulev and Alexander Vakhitov and Gonzalo Ferrer},
journal= {arXiv preprint arXiv:2503.18767},
year = {2025}
}
备注
Preprint