Less Biased Noise Scale Estimation for Threshold-Robust RANSAC

要約

画像マッチングを通じて相対的なポーズを堅牢に推定するための金標準はRANSACです。
RANSACは強力ですが、推定モデルの下での対応の誤差がコンセンサスセットに含まれるほど十分に小さいかどうかを判断するInlierのしきい値を設定する必要があります。
このしきい値の設定は通常、手作業で行われ、グラウンドトゥルースデータにアクセスせずにチューニングすることは困難です。
したがって、最適なしきい値を自動的に決定できる方法が望ましいでしょう。
このホワイトペーパーでは、Inlierノイズスケールの推定を再検討します。これは、Inlierノイズスケールが最適なしきい値に直線的であるため、魅力的なアプローチです。
ノイズスケール推定方法SIMFITを再検討し、ノイズスケールの推定値にバイアスを見つけます。
特に、モデルを使用してモデルを使用して、インライアノイズを推定するものとして過小評価し、しきい値自体を考慮しないようにします。
第二に、シーン内の最適なしきい値はほぼ一定であるため、推定値をフィルタリングすることにより、SIMFIT ++のマルチペア拡張を提案します。これにより、結果が改善されます。
私たちのアプローチは、図1に示すように、さまざまなしきい値にわたって堅牢なパフォーマンスをもたらします。

要約(オリジナル)

The gold-standard for robustly estimating relative pose through image matching is RANSAC. While RANSAC is powerful, it requires setting the inlier threshold that determines whether the error of a correspondence under an estimated model is sufficiently small to be included in its consensus set. Setting this threshold is typically done by hand, and is difficult to tune without a access to ground truth data. Thus, a method capable of automatically determining the optimal threshold would be desirable. In this paper we revisit inlier noise scale estimation, which is an attractive approach as the inlier noise scale is linear to the optimal threshold. We revisit the noise scale estimation method SIMFIT and find bias in the estimate of the noise scale. In particular, we fix underestimates from using the same data for fitting the model as estimating the inlier noise, and from not taking the threshold itself into account. Secondly, since the optimal threshold within a scene is approximately constant we propose a multi-pair extension of SIMFIT++, by filtering of estimates, which improves results. Our approach yields robust performance across a range of thresholds, shown in Figure 1.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google