基于深度学习深度与单个仿射对应的相对位姿估计
计算机视觉与模式识别
2020-07-21 v1
摘要
我们提出一种新方法,将深度学习的非度量单目深度与仿射对应(ACs)相结合,从单个对应估计两个已标定相机的相对位姿。考虑深度信息与仿射特征,推导了关于相机位姿的两个新约束。所提出的求解器可用于 1 点 RANSAC 方法中。因此,鲁棒估计的处理时间与对应点数量呈线性关系,从而比传统方法快数个数量级。所提出的 1AC+D 求解器在合成数据及 110395 对公开可用真实图像对上进行了测试,其中我们使用现成单目深度网络提供每像素的带尺度深度。所提出的 1AC+D 取得了与传统方法相近的精度,同时显著更快。在求解大规模问题时,例如运动恢复结构(SfM)流水线的位姿图初始化,获取 ACs 与单目深度的开销相较于在成对几何验证(即相对位姿估计)中获得的速度提升可忽略不计。这在使用最先进全局 SfM 算法的 1DSfM 数据集场景上得到展示。源代码:https://github.com/eivan/one-ac-pose
引用
@article{arxiv.2007.10082,
title = {Relative Pose from Deep Learned Depth and a Single Affine Correspondence},
author = {Ivan Eichhardt and Daniel Barath},
journal= {arXiv preprint arXiv:2007.10082},
year = {2020}
}