SfMLearner++:利用有意义的几何约束学习单目深度与自运动
机器人学
2018-12-21 v1 计算机视觉与模式识别
摘要
大多数单目视觉里程计(VO)的几何方法提供鲁棒的位姿估计,但为稀疏或半稠密深度估计。近来,深度方法通过优化图像间的光度一致性,在从单目图像生成稠密深度和VO方面表现出良好性能。尽管直观,朴素的光度损失并不能确保两视图间正确的像素对应,而像素对应是准确深度和相对位姿估计的关键因素。众所周知,仅最小化此类误差容易发生失败。我们提出一种使用对极约束使学习更具几何合理性的方法。我们使用通过Nister五点算法获得的基础矩阵对损失施加有意义的几何约束,而非将其用作训练标签。我们的方法虽简约但更具几何意义,使用更少参数,却取得了与采用复杂损失和大型网络的state-of-the-art方法相当的性能,显示了使用对极约束的有效性。这种几何约束的学习方法即使在仅最小化光度误差会失败的情况下也能成功。
引用
@article{arxiv.1812.08370,
title = {SfMLearner++: Learning Monocular Depth & Ego-Motion using Meaningful Geometric Constraints},
author = {Vignesh Prasad and Brojeshwar Bhowmick},
journal= {arXiv preprint arXiv:1812.08370},
year = {2018}
}
备注
Accepted at WACV 2019