Pointless Global Bundle Adjustment With Relative Motions Hessians

要約

【タイトル】相対運動ヘシアンを用いた無駄なグローバルバンドル調整

【要約】バンドル調整は、カメラの姿勢を最適化し、シーンの疎な表現を作成するための標準的な方法です。しかし、カメラの姿勢と特徴点の数が増えるにつれ、バンドル調整による最適化は効率的ではなくなります。私たちは、グローバルモーション平均化手法に着想を得て、新しいバンドル調整目標を提案します。この方法は、画像特徴の再投影誤差に依存せずに、クラシックなバンドル調整に匹敵する精度を保ちます。相対運動を平均化することで、調整の構造への寄与を含意的に取り込むことができます。このために、局所バンドル調整（例：ペアまたは三つ組の相対運動で実行される）によって得られる局所ヘシアン行列によって目的関数を重み付けます。このようなヘシアン行列は、特徴のランダム誤差とカメラ間の幾何学的構成を両方とも含んでおり、グローバルフレームに伝播される情報が最終的な最適化をより厳密に導くのに役立ちます。私たちは、このアプローチがモーション平均化アプローチのアップグレード版であると主張し、フォトグラメトリックデータセットとコンピュータビジョンベンチマークの両方でその効果を示します。

要約(オリジナル)

Bundle adjustment (BA) is the standard way to optimise camera poses and to produce sparse representations of a scene. However, as the number of camera poses and features grows, refinement through bundle adjustment becomes inefficient. Inspired by global motion averaging methods, we propose a new bundle adjustment objective which does not rely on image features’ reprojection errors yet maintains precision on par with classical BA. Our method averages over relative motions while implicitly incorporating the contribution of the structure in the adjustment. To that end, we weight the objective function by local hessian matrices – a by-product of local bundle adjustments performed on relative motions (e.g., pairs or triplets) during the pose initialisation step. Such hessians are extremely rich as they encapsulate both the features’ random errors and the geometric configuration between the cameras. These pieces of information propagated to the global frame help to guide the final optimisation in a more rigorous way. We argue that this approach is an upgraded version of the motion averaging approach and demonstrate its effectiveness on both photogrammetric datasets and computer vision benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI