TriP：基于三角形的稳健 Translation Averaging 方法
计算机视觉与模式识别
2026-05-11 v1 数值分析
机器人学
数值分析
摘要
Translation averaging 旨在从成对相对 translation 方向中恢复相机位置，是全局 Structure-from-Motion 流水线的基本组件。该问题具有挑战性，因为方向测量不包含距离信息，使得估计问题高度病态且对受污染观测极其敏感。本文提出 TriP，一个基于三角形的框架用于稳健 translation averaging。TriP 首先从三角形几何中推断局部相对边尺度，然后在对数域同步这些尺度，以恢复全局一致的边长度和相机位置。通过利用三角形之间的高阶一致性，该方法对对抗性、循环一致和其他结构性损坏具有鲁健性。此外，TriP 由于 log 尺度同步，无需额外的防坍缩约束即可避免坍缩问题，因为对数尺度同步天然地将退化的零尺度解排除在外。这些结构优势使得 TriP 具备强大的 exact location recovery 理论。在实践方面，TriP 完全可并行、计算高效，且自然可扩展到数百万相机的图上。此外，它在合成数据和真实数据上均以显著优势超越了所有以前的 translation averaging 方法。
引用
@article{arxiv.2605.07143,
title = {TriP: A Triangle Puzzle Approach to Robust Translation Averaging},
author = {Zhekai Fan and Wanze Li and Jinxin Wang and Yunpeng Shi},
journal= {arXiv preprint arXiv:2605.07143},
year = {2026}
}