USAC++

Abstract

Robustní odhad je důležitý otevřený problém, který má aplikace ve mnoha oblastech. Jedním z nejpopulárnějších robustních algoritmů pro odhad je RANdom SAmple Consensus, který je schopen efektivně poskytnout dobrý odhad s využitím i poměrně kontaminovaných dat. V posledních desetiletích se ve mnoha ohledech zlepšil robustní odhad parametrických modelů. Navržený univerzální rámec USAC++ pro náhodný výběr a konsenzus obsahuje v této studii (zatím) lepší metody pro robustní odhad. Nejpoužívanější algoritmy založené na RANSACu jsou přezkoumání, diskutované a implementované přesnějším, rychlejším a jednodušším způsobem. Rámec je napsán v jazyce C++ a byl otestován na úlohách vícepohledové geometrie a vyhodnocován na různých veřejně dostupných datových sadech.

Robust estimation is an important open problem, which has applications in many areas. One of the most popular robust estimation algorithm is RANdom SAmple Consensus, that is able to efficiently provide good estimation using even fairly contaminated data. Robust estimation of parametric models has been improving in many respects over the last decades. The proposed in this study universal framework USAC++ for random sample and consensus includes novel superior (so far) methods for robust estimation. The most used RANSAC-based algorithms are reviewed, discussed and implemented in a more accurate, faster and simple way. The framework is written in C++ and was tested on multiple view geometry problems and evaluated on different publicly available datasets.