基于旋转拉普拉斯分布在 SO(3) 上迈向鲁棒概率建模

从单张 RGB 图像估计 3DoF 旋转是一项重要且具挑战的问题。作为流行方法，概率旋转建模相比单预测旋转回归还携带预测不确定性信息。对 SO(3) 上概率分布建模，自然可使用类高斯的 Bingham 分布与矩阵 Fisher 分布，但它们被证明对离群预测（如 $180^\circ$ 误差）敏感，因而难以收敛至最优性能。本文从多元拉普拉斯分布获得启发，提出一种 SO(3) 上的新颖旋转拉普拉斯分布。我们的旋转拉普拉斯分布对离群值扰动鲁棒，并向可改进的低误差区域施以更大梯度。此外，我们表明该方法对小噪声亦具鲁棒性，从而容忍不完美标注。借助该优势，我们展示了其在伪标签含噪的半监督旋转回归中的优点。为进一步捕获对称物体的多模态旋转解空间，我们将该分布扩展为旋转拉普拉斯混合模型并证明其有效性。大量实验表明，我们提出的分布与混合模型在所有旋转回归实验中均超越概率与非概率基线，取得最先进性能。