RegNet：学习直接图像到图像位姿配准的优化
计算机视觉与模式识别
2018-12-27 v1
摘要
依赖于光度误差度量优化的直接图像到图像对齐存在收敛范围有限且对光照条件敏感的问题。深度学习方法通过使用卷积神经网络学习更好的特征表示来解决这一问题，但仍需要良好的初始化。在本文中，我们证明不精确的数值 Jacobian 限制了收敛范围，而使用学习方法可以极大改善这一问题。基于这一观察，我们提出了一种新颖的端到端网络 RegNet，用于学习图像到位姿配准的优化。通过联合学习每个像素的特征表示以及在优化步骤中替代手工设计的偏导数（如数值微分），该神经网络促进了端到端优化。能量景观在特征表示和学习的 Jacobian 上均受到约束，从而为优化提供了更大的灵活性，进而带来更稳健且更快的收敛。在包括广泛消融实验在内的一系列实验中，我们证明了 RegNet 能够以更少的迭代次数针对大基线图像对进行收敛。
引用
@article{arxiv.1812.10212,
title = {RegNet: Learning the Optimization of Direct Image-to-Image Pose Registration},
author = {Lei Han and Mengqi Ji and Lu Fang and Matthias Nießner},
journal= {arXiv preprint arXiv:1812.10212},
year = {2018}
}
备注
8 pages, 6 figures