論文の概要: SupeRANSAC: One RANSAC to Rule Them All

• arxiv url: http://arxiv.org/abs/2506.04803v1
• Date: Thu, 05 Jun 2025 09:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.630015
• Title: SupeRANSAC: One RANSAC to Rule Them All
• Title（参考訳）: SupeRANSAC: RANSACが全権を握る
• Authors: Daniel Barath,
• Abstract要約: SupeRANSACは、新しい統一RANSACパイプラインである。 本稿では、RANSACを特定の視覚タスクに有効にするための技術について詳細に分析する。 複数の問題やデータセットに対する最先端技術よりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 40.60228747873885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust estimation is a cornerstone in computer vision, particularly for tasks like Structure-from-Motion and Simultaneous Localization and Mapping. RANSAC and its variants are the gold standard for estimating geometric models (e.g., homographies, relative/absolute poses) from outlier-contaminated data. Despite RANSAC's apparent simplicity, achieving consistently high performance across different problems is challenging. While recent research often focuses on improving specific RANSAC components (e.g., sampling, scoring), overall performance is frequently more influenced by the "bells and whistles" (i.e., the implementation details and problem-specific optimizations) within a given library. Popular frameworks like OpenCV and PoseLib demonstrate varying performance, excelling in some tasks but lagging in others. We introduce SupeRANSAC, a novel unified RANSAC pipeline, and provide a detailed analysis of the techniques that make RANSAC effective for specific vision tasks, including homography, fundamental/essential matrix, and absolute/rigid pose estimation. SupeRANSAC is designed for consistent accuracy across these tasks, improving upon the best existing methods by, for example, 6 AUC points on average for fundamental matrix estimation. We demonstrate significant performance improvements over the state-of-the-art on multiple problems and datasets. Code: https://github.com/danini/superansac
• Abstract（参考訳）: ロバスト推定は、特にStructure-from-Motionや同時局所化やマッピングといったタスクにおいて、コンピュータビジョンの基盤となる。 RANSACとその変種は、外周汚染データから幾何モデル(例えば、ホモグラフ、相対的/絶対的なポーズ)を推定するための金の標準である。 RANSACの明らかな単純さにもかかわらず、異なる問題にまたがって一貫して高いパフォーマンスを達成することは困難である。 最近の研究では、特定のRANSACコンポーネント(サンプリング、スコアリングなど)の改善に重点を置いていることが多いが、全体的なパフォーマンスは、ライブラリ内の"bells and whistles"(実装の詳細と問題固有の最適化)の影響を受けやすいことが多い。 OpenCVやPoseLibといった人気の高いフレームワークは、いくつかのタスクで優れたパフォーマンスを示しながら、他のタスクでは遅れている。 我々は、新しい統一RANSACパイプラインであるSupeRANSACを導入し、RANSACをホモグラフィー、基本/重要行列、絶対/厳密なポーズ推定を含む特定の視覚タスクに効果的にする手法を詳細に分析する。 SupeRANSACは、これらのタスク間で一貫した精度で設計されており、例えば、基本的な行列推定のために平均で6つのAUCポイントによって、最良の既存のメソッドを改善する。 複数の問題やデータセットに対する最先端技術よりも優れた性能を示す。 コード:https://github.com/danini/superansac

関連論文リスト

• RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration [15.81035895734261]
  対応ベースのポイントクラウド登録(PCR)は、ロボット工学とコンピュータビジョンにおいて重要な役割を果たす。 我々は、RANSACを最先端(SOTA)の速度と精度に高める2段階のコンセンサスフィルタリング(TCF)を提案する。
  論文  参考訳（メタデータ） (2024-10-21T06:46:49Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• KVN: Keypoints Voting Network with Differentiable RANSAC for Stereo Pose Estimation [1.1603243575080535]
  我々は、よく知られた単分子ポーズ推定ネットワークに微分可能なRANSAC層を導入する。 本稿では, RANSACが提案した層の精度に果たす役割について述べる。
  論文  参考訳（メタデータ） (2023-07-21T12:43:07Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Space-Partitioning RANSAC [30.255457622022487]
  RANSACモデルの品質計算を高速化する新しいアルゴリズムを提案する。 この方法は、例えば2D-2D点対応などの関節対応空間を2つの正則格子に分割することに基づいている。 RANSACの実行時間を41%削減するが、精度は確実に低下しない。
  論文  参考訳（メタデータ） (2021-11-24T10:10:04Z)
• USACv20: robust essential, fundamental and homography matrix estimation [68.65610177368617]
  最新のRANSACのような仮説と検証の堅牢な推定器をレビューします。 最高のパフォーマンスは、Universal Sample Consensus (USAC)アルゴリズムの最先端バージョンを作成するために組み合わせられる。 提案手法であるUSACv20は、公開された8つの実世界のデータセットでテストされる。
  論文  参考訳（メタデータ） (2021-04-11T16:27:02Z)
• 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)

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。