基于运动加权低秩与稀疏矩阵分解的多视角配准
计算机视觉与模式识别
2018-04-06 v2
摘要
近年来，低秩与稀疏（LRS）矩阵分解已被引入作为一种解决多视角配准的有效方法。它将每个可用的相对运动视为一个块元素来重构一个矩阵，以逼近低秩矩阵，从中可以恢复出用于多视角配准的全局运动。然而，这种方法对重构矩阵的稀疏性敏感，并且尽管各块元素的可靠性不同，它仍平等地对待所有块元素。因此，本文提出了一种通过加权LRS分解进行多视角配准的有效方法。基于相对运动的反对称性质，它首先提出了一种补全策略来降低重构矩阵的稀疏性。重构矩阵稀疏性的降低可以提高LRS分解的鲁棒性。然后，它提出了加权LRS分解，其中每个块元素被赋予一个估计的权重以表示其可靠性。通过引入权重，可以从估计的低秩矩阵中高效地恢复出更精确的配准结果。在公开数据集上的实验结果证明了所提方法在鲁棒性、准确性和效率上优于现有最先进的方法。
引用
@article{arxiv.1709.08393,
title = {Multi-view Registration Based on Weighted Low Rank and Sparse Matrix Decomposition of Motions},
author = {Congcong Jin and Jihua Zhu and Yaochen Li and Shanmin Pang and Lei Chen and Jun Wang},
journal= {arXiv preprint arXiv:1709.08393},
year = {2018}
}