MAGSAC: 边缘化采样一致性
计算机视觉与模式识别
2019-06-06 v2
摘要
提出了一种名为 sigma-consensus 的方法，以消除 RANSAC 中对用户定义内点-外点阈值的需求。该方法不估计噪声 sigma，而是将其在一系列噪声尺度上进行边缘化。优化模型通过加权最小二乘拟合获得，其中权重来自对内点似然的 sigma 边缘化。提出了一种新的质量函数，该函数不需要 sigma，从而也不需要内点集来确定模型质量。此外，基于所提出的边缘化方法构建了 RANSAC 的新终止准则。应用 sigma-consensus，提出了 MAGSAC，无需用户定义的 sigma 并显著提高了鲁棒估计的精度。在公开可用的真实世界数据集上，对于对极几何（F 和 E）和单应性估计，其在几何精度方面优于现有技术水平。此外，将 sigma-consensus 仅作为 RANSAC 输出的后处理步骤应用一次，在处理时间无明显恶化（仅增加几毫秒）的情况下，始终能改善广泛视觉问题的模型质量。源代码位于 https://github.com/danini/magsac。
引用
@article{arxiv.1803.07469,
title = {MAGSAC: marginalizing sample consensus},
author = {Daniel Barath and Jana Noskova and Jiri Matas},
journal= {arXiv preprint arXiv:1803.07469},
year = {2019}
}