Power Variable Projection for Initialization-Free Large-Scale Bundle Adjustment

要約

Levenberg-Marquardt アルゴリズムなどのほとんどのバンドル調整 (BA) ソルバーでは、適切な初期化が必要です。
その代わり、初期化不要の BA は依然としてほとんど未知の領域です。
まだ研究されていない変数射影アルゴリズム (VarPro) は、初期化なしでも広い収束盆地を示します。
最近の研究では、オブジェクト空間エラーの定式化と組み合わせることで、小規模な初期化不要のバンドル調整問題を解決できることが示されました。
このような初期化不要の BA アプローチをスケーラブルにするために、べき級数に基づく最近の逆拡張手法を拡張するべき乗変数射影 (PoVar) を導入します。
重要なのは、べき級数展開をリーマン多様体最適化に結び付けることです。
この射影フレームワークは、初期化を行わずに大規模なバンドル調整問題を解決するために重要です。
現実世界の BAL データセットを使用して、ソルバーが速度と精度の点で最先端の結果を達成することを実験的に示します。
私たちの知る限り、この研究は、初期化を行わない BA のスケーラビリティに初めて取り組み、初期化を必要としないモーションからの構造の新しい場を切り開きます。

要約(オリジナル)

Most Bundle Adjustment (BA) solvers like the Levenberg-Marquardt algorithm require a good initialization. Instead, initialization-free BA remains a largely uncharted territory. The under-explored Variable Projection algorithm (VarPro) exhibits a wide convergence basin even without initialization. Coupled with object space error formulation, recent works have shown its ability to solve small-scale initialization-free bundle adjustment problem. To make such initialization-free BA approaches scalable, we introduce Power Variable Projection (PoVar), extending a recent inverse expansion method based on power series. Importantly, we link the power series expansion to Riemannian manifold optimization. This projective framework is crucial to solve large-scale bundle adjustment problems without initialization. Using the real-world BAL dataset, we experimentally demonstrate that our solver achieves state-of-the-art results in terms of speed and accuracy. To our knowledge, this work is the first to address the scalability of BA without initialization opening new venues for initialization-free structure-from-motion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google