面向无初始化的校准捆绑调整

近期的研究表明，可以使用伪对象空间误差(pOSE)作为代理目标函数实现无初始化的捆绑调整。初始重建步骤优化的目标函数中，所有术语都是项目不变的，无法融入相机校准知识。因此，解仅在场景的射影变换下确定，需更多数据才能实现成功的重建。相反，我们的方法能够利用已知的相机校准，从而产生近似度量解，即准确至相似变换的重建。为实现此目标，我们引入携带相机校准信息的两两相对旋转估计。这些估计仅对相似变换保持不变，从而鼓励保留真实场景中度量特征的解。我们的方法可视为将旋转平均集成到pOSE框架中，以实现无初始化的校准SfM。我们的实验评估显示，我们能够可靠地优化目标函数，从随机初始解以高概率收敛到全局最小值， resulting in accurate near metric reconstructions。