論文の概要: End2End Multi-View Feature Matching using Differentiable Pose
Optimization
- arxiv url: http://arxiv.org/abs/2205.01694v1
- Date: Tue, 3 May 2022 18:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 14:25:56.490206
- Title: End2End Multi-View Feature Matching using Differentiable Pose
Optimization
- Title(参考訳): 微分ポーズ最適化を用いたEnd2Endマルチビュー特徴マッチング
- Authors: Barbara Roessle and Matthias Nie{\ss}ner
- Abstract要約: 我々は,特徴マッチングに対処し,協調してポーズを推定する学習ベースのアプローチを開発した。
提案手法は,最先端のマッチングネットワーク上でのポーズ推定とマッチング精度を改善する。
エンドツーエンドのトレーニングとマルチビュー機能マッチングを組み合わせることで、ScanNetではSuperGlueが8.9%、MegaDepthでは10.7%向上した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based approaches have become indispensable for camera pose
estimation. However, feature detection, description, matching, and pose
optimization are often approached in an isolated fashion. In particular,
erroneous feature matches have severe impact on subsequent camera pose
estimation and often require additional measures such as outlier rejection. Our
method tackles this challenge by addressing feature matching and pose
optimization jointly: first, we integrate information from multiple views into
the matching by spanning a graph attention network across multiple frames to
predict their matches all at once. Second, the resulting matches along with
their predicted confidences are used for robust pose optimization with a
differentiable Gauss-Newton solver. End-to-end training combined with
multi-view feature matching boosts the pose estimation metrics compared to
SuperGlue by 8.9% on ScanNet and 10.7% on MegaDepth on average. Our approach
improves both pose estimation and matching accuracy over state-of-the-art
matching networks. Training feature matching across multiple views with
gradients from pose optimization naturally learns to disregard outliers,
thereby rendering additional outlier handling unnecessary, which is highly
desirable for pose estimation systems.
- Abstract(参考訳): カメラポーズ推定には学習ベースのアプローチが不可欠である。
しかし、特徴検出、記述、マッチング、ポーズ最適化は、しばしば孤立した方法でアプローチされる。
特に、誤った特徴一致は、その後のカメラポーズ推定に深刻な影響を与え、しばしばアウター・リジェクションのような追加の措置を必要とする。
まず、複数のフレームにまたがるグラフアテンションネットワークにまたがって、複数のビューからの情報をマッチングに統合し、それらのマッチングを予測します。
第二に、結果の一致とその予測された信頼度は、微分可能なガウス・ニュートン解法を用いて頑健なポーズ最適化に使用される。
エンドツーエンドのトレーニングとマルチビュー機能マッチングを組み合わせることで、ScanNetではSuperGlueが8.9%、MegaDepthでは10.7%向上した。
提案手法は,最先端のマッチングネットワーク上でのポーズ推定とマッチング精度を改善する。
複数のビューにわたるトレーニング機能と、ポーズ最適化からの勾配とのマッチングは、自然に外れ値を無視して学習し、追加の外れ値処理を不要にする。
関連論文リスト
- InstantSplat: Unbounded Sparse-view Pose-free Gaussian Splatting in 40 Seconds [91.77050739918037]
スパース画像からの新しいビュー合成(NVS)は3次元コンピュータビジョンにおいて大きく進歩している。
これはStructure-from-Motion (SfM) を用いたカメラパラメータの正確な初期推定に依存する
本研究では,スパースビュー画像から堅牢なNVSを向上するための,新規で効率的なフレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-29T17:29:58Z) - DVMNet: Computing Relative Pose for Unseen Objects Beyond Hypotheses [59.51874686414509]
現在のアプローチは、多数の離散的なポーズ仮説を持つ連続的なポーズ表現を近似している。
本稿では,DVMNet(Deep Voxel Matching Network)を提案する。
提案手法は,最先端の手法に比べて計算コストの低い新しいオブジェクトに対して,より正確なポーズ推定を行う。
論文 参考訳(メタデータ) (2024-03-20T15:41:32Z) - PRAGO: Differentiable Multi-View Pose Optimization From Objectness Detections [19.211193336526346]
画像の集合からカメラのポーズを微分可能な推定を行うために,Pose-refined Rotation Averaging Graph Optimization (PRAGO)法を提案する。
本手法は, 回転ポーズを再構成し, 絶対ポーズを, 幾何的タスク列の最適化の恩恵を受けながら, 微分可能な方法で再構成する。
その結果,PRAGOは7シーンから抽出した未分化のシーンにおいて,類似の翻訳推定を行いながら,相対的に21%の回転率向上を実現できることがわかった。
論文 参考訳(メタデータ) (2024-03-13T14:42:55Z) - AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。
AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。
ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
論文 参考訳(メタデータ) (2023-07-28T08:05:36Z) - IMP: Iterative Matching and Pose Estimation with Adaptive Pooling [34.36397639248686]
我々はEIMPと呼ばれるテキストbfefficient IMPを提案し、潜在的に一致しないキーポイントを動的に破棄する。
YFCC100m、Scannet、Aachen Day-Nightのデータセットに対する実験により、提案手法は精度と効率の点で従来の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-04-28T13:25:50Z) - PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
本稿では,PoseMatcherを提案する。
3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。
PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
論文 参考訳(メタデータ) (2023-04-03T21:14:59Z) - MatchFormer: Interleaving Attention in Transformers for Feature Matching [31.175513306917654]
そこで我々は,MatchFormerと呼ばれる新しい階層型抽出・整合変換器を提案する。
特徴抽出のための自己注意と特徴マッチングのための相互注意をインターリーブし、人間の直感的な抽出・マッチング方式を実現する。
この戦略のおかげで、MatchFormerは効率、堅牢性、精度のマルチウィンソリューションである。
論文 参考訳(メタデータ) (2022-03-17T22:49:14Z) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳(メタデータ) (2021-06-07T16:36:50Z) - Self-supervised Keypoint Correspondences for Multi-Person Pose
Estimation and Tracking in Videos [32.43899916477434]
本稿では,映像中の人物を関連付けるために,キーポイント対応に依存するアプローチを提案する。
ビデオデータ上でキーポイント対応を推定するためにネットワークをトレーニングする代わりに、人間のポーズ推定のために大規模な画像データセットでトレーニングする。
提案手法は,PosTrack$2017およびPoseTrack$2018のデータセット上で,複数フレームのポーズ推定と複数人物のポーズ追跡の最先端結果を実現する。
論文 参考訳(メタデータ) (2020-04-27T09:02:24Z) - Improving Few-shot Learning by Spatially-aware Matching and
CrossTransformer [116.46533207849619]
数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。
本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
論文 参考訳(メタデータ) (2020-01-06T14:10:20Z)
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。