Learning Correspondence Uncertainty via Differentiable Nonlinear Least Squares

要約

特徴の対応関係からの相対姿勢推定の不確実性を考慮して、微分可能な非線形最小二乗フレームワークを提案します。
具体的には、確率的正規エピポーラ制約の対称バージョンと、カメラ姿勢推定手順を通じて微分することで特徴位置の共分散を推定するアプローチを導入します。
私たちは、合成データセット、KITTI および EuRoC の現実世界データセットに対するアプローチを評価します。
合成データセットでは、学習した共分散が真のノイズ分布を正確に近似していることを確認します。
実際の実験では、選択した特徴抽出アルゴリズムに関係なく、私たちのアプローチが最先端の非確率的アプローチや確率的アプローチよりも常に優れていることがわかりました。

要約(オリジナル)

We propose a differentiable nonlinear least squares framework to account for uncertainty in relative pose estimation from feature correspondences. Specifically, we introduce a symmetric version of the probabilistic normal epipolar constraint, and an approach to estimate the covariance of feature positions by differentiating through the camera pose estimation procedure. We evaluate our approach on synthetic, as well as the KITTI and EuRoC real-world datasets. On the synthetic dataset, we confirm that our learned covariances accurately approximate the true noise distribution. In real world experiments, we find that our approach consistently outperforms state-of-the-art non-probabilistic and probabilistic approaches, regardless of the feature extraction algorithm of choice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google