面向高效可扩展三维重建的随机束调整算法
计算机视觉与模式识别
2023-02-28 v1
摘要
当前的束调整求解器如 Levenberg-Marquardt (LM) 算法受限于求解降维相机系统 (Reduced Camera System, RCS) 的瓶颈，其维度与相机数量成正比。当问题规模扩大时，该步骤在计算上既低效，也无法由单个计算节点管理。本工作中，我们提出一种随机束调整算法，旨在 LM 迭代内部近似分解 RCS，以提升效率与可扩展性。该方法首先基于可见性图的聚类，通过引入簇间等式约束，重构 LM 迭代的二次规划问题。随后，我们提出将其松弛为机会约束问题，并通过采样凸规划求解。该松弛旨在消除由约束体现的簇间相互依赖，从而将大型 RCS 分解为独立的线性子问题。在无序互联网图像集与序列 SLAM 图像集上的数值实验，以及大规模数据集上的分布式实验，均证明了所提方法的高效性与可扩展性。代码发布于 https://github.com/zlthinker/STBA。
引用
@article{arxiv.2008.00446,
title = {Stochastic Bundle Adjustment for Efficient and Scalable 3D Reconstruction},
author = {Lei Zhou and Zixin Luo and Mingmin Zhen and Tianwei Shen and Shiwei Li and Zhuofei Huang and Tian Fang and Long Quan},
journal= {arXiv preprint arXiv:2008.00446},
year = {2023}
}
备注
Accepted by ECCV 2020