USAC 2021 s modelem prostorové koherence robustní vůči degenerovaným datům

Abstract

Random Sample Consensus je jedním z nejpopulárnějších a nejvíce používaných metod na robustní odhad v počítačovém vidění. Tato práce představuje VSAC (USAC 2021), který je zlepšený robustní odhadce podobný k RANSACu. Tato metoda přináší koncept nezávislých inlierů pro použití statistického přístupu na rozlišení náhodných modelů. Tento přístup se pomáhá vyhnout degenerované fundamentální matice, pokud počet bodů mimo rovinu je malý. Navíc, metoda detekuje dvojici obrázků, které nemají společné zorné pole, se skoro nulovou falešně pozitivnou mírou, a nulovým počtem falešných negativit na srovnávacích datových sadech. VSAC používá Gaussovou eliminační metodu na rychlý odhad modelů z minimálního vzorku. Další zrychlení je získáno pomocí změny podmínek na pouštění lokální optimalizace, aby se zmenšil počet její nadměrných běhů. Přesné parametry modelu jsou odhadované účinně implementovanou iterativní metodou na nejmenší čtverce. Ve VSACu podstatné zrychlení je dosahnuto s použitím adaptivního sekvenčního testu hypotéz. Experimenty na veřejně dostupných datových sadech ukazují, že VSAC je podstatně rychlejší než všechny jeho předchůdce a stejně přesný jako MAGSAC++, nyní nejpreciznější odhadce geometrických struktur ze dvou pohledů. Na opakovaných bězích na EVD, HPatches, PhotoTourism, StrechaMVS a Kusvod2 datových sadech, VSAC vždycky uspěl.

Random Sample Consensus is one of the most popular and widely used method for robust estimation in computer vision. This work presents VSAC (USAC of 2021) that is a RANSAC-like robust estimator with a number of novelties and improvements. It introduces the concept of independent inliers to apply a statistical approach for distinguishing random models. This helps to avoid acceptance of a degenerate fundamental matrix if a number of points out of the dominant plane is negligible. Moreover, the method detects an image pair with no common field of view with close to zero false positive rate, and with zero false negatives on benchmark datasets. The VSAC exploits Gaussian elimination for a fast model estimation from a minimal number of points. A further speed-up is gained by modifying criteria for the local optimization to minimize excessive number of runs. An accurate final model parameter is found by efficiently implemented iterative least-squares. In VSAC, a substantial speed-up is achieved by adaptive sequential hypothesis verification.\\ Experiments on real-world publicly available datasets show that VSAC is significantly faster than all its predecessors and yet as precise as MAGSAC++, the currently most accurate state-of-the-art estimator of two-view geometry. In the repeated runs on EVD, HPatches, PhotoTourism, StrechaMVS, and Kusvod2 datasets, it never failed.