Building Rome with Convex Optimization

要約

グローバルバンドル調整は、深さ予測と凸の最適化により簡単になります。
（i）2Dキーポイント測定を学習された深さで3Dに持ち上げるスケーリングされたバンドル調整（SBA）定式化を提案します。
Burer-Monteiro FactionizationとCUDAベースの信託地域のRiemannian Optimizer（XMと呼ばれる）を備えた極端なスケールでのSDP緩和は、XMを最適化エンジンとしてモーション（SFM）パイプラインから構造を構築し、XM-SFMがXM-SFMを示していることを示しています。
既存のSFMパイプラインと再構成の品質の点で好意的に支配または比較しますが、より速く、よりスケーラブルで、初期化が含まれていません。

要約(オリジナル)

Global bundle adjustment is made easy by depth prediction and convex optimization. We (i) propose a scaled bundle adjustment (SBA) formulation that lifts 2D keypoint measurements to 3D with learned depth, (ii) design an empirically tight convex semidfinite program (SDP) relaxation that solves SBA to certfiable global optimality, (iii) solve the SDP relaxations at extreme scale with Burer-Monteiro factorization and a CUDA-based trust-region Riemannian optimizer (dubbed XM), (iv) build a structure from motion (SfM) pipeline with XM as the optimization engine and show that XM-SfM dominates or compares favorably with existing SfM pipelines in terms of reconstruction quality while being faster, more scalable, and initialization-free.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google