TESO：基于随机优化的本质矩阵在线跟踪
计算机视觉与模式识别
2026-04-22 v1
摘要
维持双目相机标定参数的长期准确性对自主系统的感知至关重要。本文提出了基于随机优化的本质矩阵在线跟踪（TESO）。TESO 的核心机制包括：1）基于候选对应点核相关的鲁棒损失函数；2）在本质流形上的自适应在线随机优化。TESO 具有较低的 CPU 和内存需求，依赖少量超参数，且无需数据驱动的训练，适用于资源受限的在线感知系统。我们评估了 TESO 对几何精度、校正质量和双目深度一致性的影响。在大规模 MAN TruckScenes 数据集上，TESO 以 0.12 度的精度跟踪 Y 轴（对双目精度至关重要）的旋转标定漂移，而 X 轴和 Z 轴的精度高出五倍。对模拟漂移序列应用的跟踪与对无漂移序列应用的跟踪相比，相对于参考表现出相似的精度，表明该跟踪器是无偏的。在 KITTI 数据集上，TESO 揭示了双目对之间外参的系统不一致性，证实了先前发表的研究结果。我们验证了内参去标定影响了这些误差，校正和深度指标的冲突行为证实了这一点。在修正参考标定后，TESO 将其 Y 轴旋转精度提高了 20 倍至 0.025 度，深度精度提高了 50 倍。尽管其设计轻量，仅对所提出的 TESO 损失函数进行直接优化即可获得与基于神经网络的单帧方法相当的精度。
引用
@article{arxiv.2604.19420,
title = {TESO: Online Tracking of Essential Matrix by Stochastic Optimization},
author = {Jaroslav Moravec and Radim Šára and Akihiro Sugimoto},
journal= {arXiv preprint arXiv:2604.19420},
year = {2026}
}
备注
Accepted at CVPR 2026 (Oral)