RAGO：用于多旋转平均的循环图优化器
计算机视觉与模式识别
2022-12-15 v1
摘要
本文提出一种用于多旋转平均（MRA）的深度循环旋转平均图优化器（RAGO）。传统的基于优化的方法由于受污染和含噪的相对测量通常无法产生准确结果。近期基于学习的方法将 MRA 视为回归问题，但由于规范自由度问题，这些方法对初始化敏感。为处理这些问题，我们提出一种可学习的迭代图优化器，其通过边校正策略最小化规范不变代价函数，以减轻不准确测量的影响。我们的图优化器通过最小化每个节点的单旋转目标函数来迭代细化全局相机旋转。此外，我们的方法迭代地校正相对旋转，使其与当前相机朝向和观测到的相对旋转更一致。进一步地，我们采用门控循环单元通过追踪代价图的时间信息来改进结果。我们的框架是一个实时学习到优化的旋转平均图优化器，具有微小尺寸，可部署于真实世界应用。RAGO 在真实世界和合成数据集上优于先前的传统与深度方法。代码见 https://github.com/sfu-gruvi-3dv/RAGO
引用
@article{arxiv.2212.07211,
title = {RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging},
author = {Heng Li and Zhaopeng Cui and Shuaicheng Liu and Ping Tan},
journal= {arXiv preprint arXiv:2212.07211},
year = {2022}
}
备注
Accepted by CVPR 2022