RLSAC：面向端到端鲁棒估计的强化学习增强采样共识
计算机视觉与模式识别
2023-08-11 v1
摘要
鲁棒估计是一项关键且仍具挑战性的任务，涉及在含噪环境中估计模型参数。尽管传统的基于采样共识的算法通过多次采样来实现鲁棒性，但这些算法无法有效利用数据特征与历史信息。本文中，我们提出RLSAC，一种用于端到端鲁棒估计的强化学习增强SAmple Consensus（采样共识）新框架。RLSAC采用图神经网络同时利用数据与记忆特征，以引导探索下一最小集的采样方向。下游任务的反馈作为无监督训练的奖励。因此，RLSAC可避免为端到端鲁棒估计而微分学习特征与下游任务反馈。此外，RLSAC集成了一个编码数据与记忆特征的状态转移模块。实验结果表明，RLSAC能从特征中学习并逐步探索更优假设。经分析可见，RLSAC可轻松迁移至其他基于采样共识的鲁棒估计任务。据我们所知，RLSAC也是首个将强化学习用于采样共识以实现端到端鲁棒估计的方法。我们的代码发布于 https://github.com/IRMVLab/RLSAC。
引用
@article{arxiv.2308.05318,
title = {RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation},
author = {Chang Nie and Guangming Wang and Zhe Liu and Luca Cavalli and Marc Pollefeys and Hesheng Wang},
journal= {arXiv preprint arXiv:2308.05318},
year = {2023}
}
备注
Accepted by ICCV2023. Codes are released at https://github.com/IRMVLab/RLSAC