Exposing the Unseen: Exposure Time Emulation for Offline Benchmarking of Vision Algorithms

要約

ビジュアル オドメトリ (VO) は、ロボット工学のコンピューター ビジョンにおける基本的なタスクの 1 つです。
ただし、そのパフォーマンスは、屋外に遍在するハイ ダイナミック レンジ (HDR) シーンに深く影響されます。
これを軽減する新しい自動露出 (AE) アプローチが登場しましたが、再現可能な方法での比較には問題があります。
これは、AE の動作が環境に依存し、画像取得プロセスに影響を与えるという事実に由来します。
その結果、AE は伝統的にオンラインでのみベンチマークされており、実験の再現性がありませんでした。
これを解決するために、任意の露光時間で画像を生成できるエミュレータに基づく新しい方法論を提案します。
これは、困難な照明条件で 55 の軌道上で 10 km にわたって収集された独自の多重露出ステレオ データセットである BorealHDR を活用しています。
さらに、比較のために、各画像フレームの姿勢推定を含む LIDAR 慣性ベースの地球地図と全地球航法衛星システム (GNSS) データが含まれています。
異なる露光時間で取得したこれらの画像を使用すると、現実的な画像をエミュレートし、グラウンド トゥルース画像と比較して二乗平均二乗誤差 (RMSE) を 1.78 % 未満に維持できることを示します。
オフライン ベンチマークに対するアプローチの実用性を実証するために、Visual Simultaneous Localization And Mapping (VSLAM) パイプラインの主要要素に関する 3 つの最先端 AE アルゴリズムを 4 つのベースラインと比較しました。
その結果、AE の再現可能な評価が可能になり、将来のアプローチの開発が加速されます。
私たちのコードとデータセットは、次のリンクからオンラインで入手できます: https://github.com/norlab-ulaval/BorealHDR

要約(オリジナル)

Visual Odometry (VO) is one of the fundamental tasks in computer vision for robotics. However, its performance is deeply affected by High Dynamic Range (HDR) scenes, omnipresent outdoor. While new Automatic-Exposure (AE) approaches to mitigate this have appeared, their comparison in a reproducible manner is problematic. This stems from the fact that the behavior of AE depends on the environment, and it affects the image acquisition process. Consequently, AE has traditionally only been benchmarked in an online manner, making the experiments non-reproducible. To solve this, we propose a new methodology based on an emulator that can generate images at any exposure time. It leverages BorealHDR, a unique multi-exposure stereo dataset collected over 10 km, on 55 trajectories with challenging illumination conditions. Moreover, it includes lidar-inertial-based global maps with pose estimation for each image frame as well as Global Navigation Satellite System (GNSS) data, for comparison. We show that using these images acquired at different exposure times, we can emulate realistic images, keeping a Root-Mean-Square Error (RMSE) below 1.78 % compared to ground truth images. To demonstrate the practicality of our approach for offline benchmarking, we compared three state-of-the-art AE algorithms on key elements of Visual Simultaneous Localization And Mapping (VSLAM) pipeline, against four baselines. Consequently, reproducible evaluation of AE is now possible, speeding up the development of future approaches. Our code and dataset are available online at this link: https://github.com/norlab-ulaval/BorealHDR

arxiv情報

提供元, 利用サービス

arxiv.jp, Google