Adaptive Reordering Sampler with Neurally Guided MAGSAC

要約

我々は、インライアのみから構成される確率が最も高いサンプルを常に選択する、ロバストな推定量のための新しいサンプラーを提案します。
反復が失敗するたびに、ベイジアン アプローチを介して原則的な方法でインライア確率が更新されます。
ディープネットワークによって得られた確率は、サンプラー内部で事前（いわゆるニューラルガイダンス）として使用されます。
さらに、SIFT や SuperPoint など、あらゆるタイプの特徴に対して推定できる方向とスケールを幾何学的に正当な方法で利用して、2 ビュー ジオメトリを推定する新しい損失を導入します。
新しい損失は、基礎となるシーンのジオメトリに関する高次の情報を学習するのに役立ちます。
新しいサンプラーと提案された損失の恩恵を受けて、ニューラル ガイダンスと最先端の MAGSAC++ を組み合わせます。
Adaptive Reordering Sampler with Neurally Guided MAGSAC (ARS-MAGSAC) は、本質的かつ基本的な行列推定のための PhotoTourism および KITTI データセットの精度と実行時間の点で、最先端のものよりも優れています。
コードとトレーニング済みモデルは https://github.com/weitong8591/ars_magsac で入手できます。

要約(オリジナル)

We propose a new sampler for robust estimators that always selects the sample with the highest probability of consisting only of inliers. After every unsuccessful iteration, the inlier probabilities are updated in a principled way via a Bayesian approach. The probabilities obtained by the deep network are used as prior (so-called neural guidance) inside the sampler. Moreover, we introduce a new loss that exploits, in a geometrically justifiable manner, the orientation and scale that can be estimated for any type of feature, e.g., SIFT or SuperPoint, to estimate two-view geometry. The new loss helps to learn higher-order information about the underlying scene geometry. Benefiting from the new sampler and the proposed loss, we combine the neural guidance with the state-of-the-art MAGSAC++. Adaptive Reordering Sampler with Neurally Guided MAGSAC (ARS-MAGSAC) is superior to the state-of-the-art in terms of accuracy and run-time on the PhotoTourism and KITTI datasets for essential and fundamental matrix estimation. The code and trained models are available at https://github.com/weitong8591/ars_magsac.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google