論文の概要: Multi-View Optimization of Local Feature Geometry

• arxiv url: http://arxiv.org/abs/2003.08348v2
• Date: Wed, 22 Jul 2020 15:23:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 12:49:45.607344
• Title: Multi-View Optimization of Local Feature Geometry
• Title（参考訳）: 局所特徴幾何学のマルチビュー最適化
• Authors: Mihai Dusmanu, Johannes L. Sch\"onberger, Marc Pollefeys
• Abstract要約: 本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
• 参考スコア（独自算出の注目度）: 70.18863787469805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we address the problem of refining the geometry of local image features from multiple views without known scene or camera geometry. Current approaches to local feature detection are inherently limited in their keypoint localization accuracy because they only operate on a single view. This limitation has a negative impact on downstream tasks such as Structure-from-Motion, where inaccurate keypoints lead to large errors in triangulation and camera localization. Our proposed method naturally complements the traditional feature extraction and matching paradigm. We first estimate local geometric transformations between tentative matches and then optimize the keypoint locations over multiple views jointly according to a non-linear least squares formulation. Throughout a variety of experiments, we show that our method consistently improves the triangulation and camera localization performance for both hand-crafted and learned local features.
• Abstract（参考訳）: 本研究では,複数の視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに改良する問題に対処する。 局所的特徴検出への現在のアプローチは、キーポイントのローカライゼーション精度に本質的に制限されている。 この制限はStructure-from-Motionのような下流タスクに悪影響を及ぼし、不正確なキーポイントは三角測量やカメラのローカライゼーションにおいて大きなエラーを引き起こす。 提案手法は,従来の特徴抽出およびマッチングパラダイムを自然に補完する。 まず、仮マッチング間の局所幾何変換を推定し、非線形最小二乗公式に従って複数のビュー上のキーポイント位置を最適化する。 様々な実験を通じて,手作りおよび学習した局所特徴の三角測量とカメラ位置決め性能を一貫して向上させることを示した。

関連論文リスト

• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• Local Feature Extraction from Salient Regions by Feature Map Transformation [0.7734726150561086]
  光や視点によらず,局所的な特徴を強く抽出し,記述する枠組みを提案する。 このフレームワークは照明の変動を抑制し、構造情報を光からのノイズを無視するように促す。 提案モデルでは,正常な領域から特徴点を抽出し,不整合を減少させる。
  論文  参考訳（メタデータ） (2023-01-25T05:31:20Z)
• Pixel-Perfect Structure-from-Motion with Featuremetric Refinement [96.73365545609191]
  複数視点からの低レベル画像情報を直接アライメントすることで、動きからの2つの重要なステップを洗練する。 これにより、様々なキーポイント検出器のカメラポーズとシーン形状の精度が大幅に向上する。 本システムは,大規模な画像コレクションに容易にスケールできるので,クラウドソースによる大規模なローカライゼーションを実現することができる。
  論文  参考訳（メタデータ） (2021-08-18T17:58:55Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Cross-Descriptor Visual Localization and Mapping [81.16435356103133]
  視覚のローカライゼーションとマッピングは、Mixed Realityとロボティクスシステムの大部分を支える重要な技術である。 特徴表現の連続的な更新を必要とする局所化とマッピングのための3つの新しいシナリオを提案する。 我々のデータ駆動型アプローチは特徴記述子型に非依存であり、計算要求が低く、記述アルゴリズムの数と線形にスケールする。
  論文  参考訳（メタデータ） (2020-12-02T18:19:51Z)
• Domain Adaptation of Learned Features for Visual Localization [60.6817896667435]
  日時,天気,季節などの変化条件下での視覚的局所化の問題に対処する。 近年の深層ニューラルネットワークに基づく学習された局所的特徴は、古典的な手作りの局所的特徴よりも優れた性能を示している。 ドメインギャップを減らすために、いくつかの例しか必要としない、斬新で実践的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:17:32Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• ASLFeat: Learning Local Features of Accurate Shape and Localization [42.70030492742363]
  ASLFeatを3つの軽量かつ効果的に修正し、上記の問題を緩和する。 まず、変形可能な畳み込みネットワークを用いて局所変換を密に推定、適用する。 第2に,空間分解能と低レベル細部を復元する特徴階層を利用して,正確なキーポイント位置推定を行う。
  論文  参考訳（メタデータ） (2020-03-23T04:03:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。