Good Keypoints for the Two-View Geometry Estimation Problem

要約

ローカル機能は、多くの最新のダウンストリームアプリケーションにとって不可欠です。
したがって、機能検出器と記述子のより良い設計のために下流のパフォーマンスに寄与するローカル機能の特性を決定することは興味深いことです。
私たちの仕事では、2ビュージオメトリ推定問題のコンテキストで、スコアリング機能ポイント（キーポイント）の新しい理論モデルを提案します。
このモデルは、ホモグラフィーの推定問題を解決するための優れたキーポイントが必要な2つのプロパティを決定します。再現可能であり、予想される測定エラーが少ないことです。
この結果は、対応の数を最大化することで、ホモグラフィーの推定精度が常に向上するとは限らない理由に関する重要な洞察を提供します。
開発されたモデルを使用して、ホモグラフィーの推定に利益をもたらすキーポイントを検出し、境界のあるness-st（boness-st）keypoint検出器を導入するメソッドを設計します。
Boness-STの斬新さは、強力な理論的基礎、サブピクセルの改良によるより正確なキーポイントスコアリング、および低顕著性のキーポイントに対する優れた堅牢性のために設計されたコストから生まれます。
その結果、Boness-STは、平面ホモグラフィー推定タスクの以前の自己監視局所機能検出器よりも優れており、Epipolar Geometry推定タスクでそれらと同等です。

要約(オリジナル)

Local features are essential to many modern downstream applications. Therefore, it is of interest to determine the properties of local features that contribute to the downstream performance for a better design of feature detectors and descriptors. In our work, we propose a new theoretical model for scoring feature points (keypoints) in the context of the two-view geometry estimation problem. The model determines two properties that a good keypoint for solving the homography estimation problem should have: be repeatable and have a small expected measurement error. This result provides key insights into why maximizing the number of correspondences doesn’t always lead to better homography estimation accuracy. We use the developed model to design a method that detects keypoints that benefit the homography estimation and introduce the Bounded NeSS-ST (BoNeSS-ST) keypoint detector. The novelty of BoNeSS-ST comes from strong theoretical foundations, a more accurate keypoint scoring due to subpixel refinement and a cost designed for superior robustness to low saliency keypoints. As a result, BoNeSS-ST outperforms prior self-supervised local feature detectors on the planar homography estimation task and is on par with them on the epipolar geometry estimation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google