ECCV24|全局式SfM最新SOTA,GLOMAP重新定义SfM!

AI最新资讯2个月前发布 tree
18 0 0

今日应用


今日话题


ECCV24|全局式SfM最新SOTA,GLOMAP重新定义SfM!
ECCV24|全局式SfM最新SOTA,GLOMAP重新定义SfM!
 

重点标签 全局SfMGLOMAP计算机视觉鲁棒性准确性

文章摘要


本文介绍了一种由ETH和微软共同开发的新型全局结构从运动(Structure-from-Motion,简称SfM)系统——GLOMAP。该系统在全局定位步骤上进行了创新,不同于以往的全局SfM系统,它不是先进行平移平均再进行三角测量,而是直接联合估计相机和点的位置。这种改进使得GLOMAP在鲁棒性准确性上与增量式COLMAP系统相当甚至更优,同时在速度上快了几个数量级。

背景与挑战

计算机视觉领域,从一组图像中恢复3D结构和相机运动的问题被称为SfM。SfM的方法主要分为增量式和全局式两种。增量式方法通过逐步配准附加的相机图像和三维结构来扩展重建,虽然精度高且鲁棒性好,但可扩展性较差。全局式方法则通过联合考虑所有视图的几何形状来一次性恢复相机几何形状,具有较好的可扩展性和速度。然而,全局式SfM在平移平均步骤上存在挑战,包括尺度歧义、需要相机内参的先验知识以及几乎共线运动导致的退化问题。

GLOMAP的主要贡献

GLOMAP系统的核心贡献在于其全局定位步骤的创新。它不依赖于不适定的平移平均,而是执行相机和点位置的联合估计。这种方法使得GLOMAP在保持全局SfM流程效率的同时,达到了与增量SfM系统相似的鲁棒性和精度。此外,GLOMAP能够处理未知的相机内参,并且稳健地处理顺序图像数据。

研究方法

GLOMAP的研究方法包括以下几个关键步骤:
1. 特征轨迹构建:通过两视图几何验证产生的内点特征对应来构建特征轨迹。
2. 全局定位:直接进行联合全局三角化和相机位置估计,而不是先执行平移平均。
3. 全局束调整:利用Levenberg-Marquardt和Huber损失进行多轮优化,以进一步提高精度。
4. 相机聚类:通过聚类相机来合并不同的重构,解决不重叠图像错误匹配的问题。

实验结果

GLOMAP在多个数据集上进行了实验,包括ETH3D、LaMAR、IMC 2023和MIP360,并与OpenMVG、Theia、COLMAP等框架进行了比较。实验结果显示,GLOMAP在准确性和鲁棒性方面与增量方法相当或更优,同时在速度上快了十倍。

总结

GLOMAP提出了一种新的全局SfM流程,通过在优化中使用点,解决了全局SfM系统的鲁棒性问题。通过多个数据集的实验对比,证明了GLOMAP在准确性和鲁棒性方面的优势,同时具有显著的速度优势。

文章来源


原文地址: 点我阅读全文
原文作者: 极市平台

© 版权声明

相关文章

暂无评论

暂无评论...