Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction

要約

事前の垂直方向を利用して、マンハッタン フレーム、つまり 3 つの直交する消失点とカメラの未知の焦点距離を推定する問題に取り組みます。
この方向は、スマートフォンなどの最近の消費者向けデバイスの標準コンポーネントである慣性測定ユニットから得られる可能性があります。
最小ライン構成の徹底的な分析を提供し、2 つの新しい 2 ライン ソルバーを導出します。そのうちの 1 つは、既存のソルバーに影響を与える特異点の影響を受けません。
さらに、局所最適化のパフォーマンスを向上させるために、任意の行数で実行される新しい非最小メソッドを設計します。
すべてのソルバーをハイブリッドロバスト推定器に組み合わせることで、私たちの方法は、大まかな事前分布であっても精度の向上を実現します。
合成データセットと現実世界のデータセットでの実験では、同等の実行時間でありながら、最先端技術と比較して私たちの方法の精度が優れていることが実証されました。
さらに、相対回転推定に対するソルバーの適用可能性を実証します。
コードは https://github.com/cvg/VP-Estimation-with-Prior-Gravity で入手できます。

要約(オリジナル)

We tackle the problem of estimating a Manhattan frame, i.e. three orthogonal vanishing points, and the unknown focal length of the camera, leveraging a prior vertical direction. The direction can come from an Inertial Measurement Unit that is a standard component of recent consumer devices, e.g., smartphones. We provide an exhaustive analysis of minimal line configurations and derive two new 2-line solvers, one of which does not suffer from singularities affecting existing solvers. Additionally, we design a new non-minimal method, running on an arbitrary number of lines, to boost the performance in local optimization. Combining all solvers in a hybrid robust estimator, our method achieves increased accuracy even with a rough prior. Experiments on synthetic and real-world datasets demonstrate the superior accuracy of our method compared to the state of the art, while having comparable runtimes. We further demonstrate the applicability of our solvers for relative rotation estimation. The code is available at https://github.com/cvg/VP-Estimation-with-Prior-Gravity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google