SSORN: Self-Supervised Outlier Removal Network for Robust Homography Estimation

要約

従来のホモグラフィ推定パイプラインは、特徴検出、特徴マッチング、異常値除去、変換推定の 4 つの主要なステップで構成されています。
最近の深層学習モデルは、単一の畳み込みネットワークを使用してホモグラフィ推定問題に対処しようとしています。
これらのモデルは、ホモグラフィ推定の問題を単純化するためにエンドツーエンドの方法でトレーニングされますが、従来のホモグラフィ推定パイプラインの重要なステップである特徴マッチング ステップや異常値除去ステップが欠けています。
このホワイト ペーパーでは、従来のホモグラフィ推定パイプラインの 4 つのステップすべてを模倣するディープ ラーニング モデルの構築を試みます。
特に、特徴マッチングステップは、コストボリューム技術を使用して実施される。
コスト ボリュームの異常値を除去するために、この異常値除去問題をノイズ除去問題として扱い、問題を解決するための新しい自己教師付き損失を提案します。
合成データセットと実際のデータセットに関する広範な実験により、提案されたモデルが既存の深層学習モデルよりも優れていることが実証されています。

要約(オリジナル)

The traditional homography estimation pipeline consists of four main steps: feature detection, feature matching, outlier removal and transformation estimation. Recent deep learning models intend to address the homography estimation problem using a single convolutional network. While these models are trained in an end-to-end fashion to simplify the homography estimation problem, they lack the feature matching step and/or the outlier removal step, which are important steps in the traditional homography estimation pipeline. In this paper, we attempt to build a deep learning model that mimics all four steps in the traditional homography estimation pipeline. In particular, the feature matching step is implemented using the cost volume technique. To remove outliers in the cost volume, we treat this outlier removal problem as a denoising problem and propose a novel self-supervised loss to solve the problem. Extensive experiments on synthetic and real datasets demonstrate that the proposed model outperforms existing deep learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google