NeFSAC：神经过滤最小样本
计算机视觉与模式识别
2022-07-19 v1 机器学习
摘要
自RANSAC以来，大量研究致力于提高其精度和运行时间。然而，仅有少数方法旨在模型估计和质量控制（通常代价高昂）完成之前尽早识别无效的最小样本。为此，我们提出NeFSAC，一种用于对运动不一致和病态条件最小样本进行神经过滤的高效算法。我们训练NeFSAC仅基于图像对应点的像素坐标来预测最小样本产生准确相对位姿的概率。我们的神经过滤模型学习导致不稳定位姿的样本的典型运动模式，以及可能运动中的规律性，以偏好良态且可能正确的样本。这种新颖的轻量架构实现了用于位姿估计的最小样本的主要不变量，并且一种新颖的训练方案解决了极端类别不平衡问题。NeFSAC可插入任何现有的基于RANSAC的流水线。我们将其集成到USAC中，并表明即使在极端的训练-测试域差距下它也能持续提供显著的加速——例如，为自动驾驶场景训练的模型在PhotoTourism上同样有效。我们在来自三个公开真实世界数据集的超过10万对图像上测试了NeFSAC，发现它带来了一个数量级的加速，同时往往比单独使用USAC找到更准确的结果。源代码可在 https://github.com/cavalli1234/NeFSAC 获取。
引用
@article{arxiv.2207.07872,
title = {NeFSAC: Neurally Filtered Minimal Samples},
author = {Luca Cavalli and Marc Pollefeys and Daniel Barath},
journal= {arXiv preprint arXiv:2207.07872},
year = {2022}
}
备注
Published in the 17th European Conference on Computer Vision (ECCV 2022)