[論文レビュー] A QCQP Approach to Triangulation

Chris Aholt, Sameer Agarwal+1 more|arXiv (Cornell University)|Jul 31, 2012

Advanced Vision and Imaging参考文献 17被引用数 6

ひとこと要約

本論文は、$ n \geq 2 $ 個のノイズを含む画像投影からの3次元再構成におけるトリアングレーションを、多項式時間の半定値計画法（SDP）的手法でグローバル最適化する手法を提案する。トリアングレーションを二次制約付き二次計画問題（QCQP）として定式化し、SDP緩和を活用することで、偽陽性のない十分条件を用いてグローバル最適性を証明可能となり、実世界のテストケースの98.36％で最適解を達成し、理論的限界があるものの強力な実用的性能を示している。

ABSTRACT

Triangulation of a three-dimensional point from at least two noisy 2-D images can be formulated as a quadratically constrained quadratic program. We propose an algorithm to extract candidate solutions to this problem from its semidefinite programming relaxations. We then describe a sufficient condition and a polynomial time test for certifying when such a solution is optimal. This test has no false positives. Experiments indicate that false negatives are rare, and the algorithm has excellent performance in practice. We explain this phenomenon in terms of the geometry of the triangulation problem.

研究の動機と目的

• 既存の手法が部分的最適または指数時間の複雑性を持つため、$ n \geq 4 $ ビューにおけるグローバル最適トリアングレーションという長年の課題に取り組むこと。
• グローバル最適3次元点を計算するか、最適性を保証できないことを証明する多項式時間アルゴリズムを開発すること。
• グローバル最適性の十分条件を、多項式時間で計算可能で偽陽性のないものとして提供すること。
• 幾何的解析を通じて、本手法の高い実験的成功率を説明すること。
• 理論的限界を超えて、半定値計画法を実用的なマルチビュー幾何問題へ応用可能にする拡張性を提供すること。

提案手法

• 再投影誤差の二乗和を最小化する二次制約付き二次計画問題（QCQP）としてトリアングレーション問題を定式化する。
• QCQPの半定値計画法（SDP）緩和を用いて候補解を計算し、ランク1分解によりそれらを抽出する。
• ヘッセ行列に類似した行列の半正定値性に基づく多項式時間テストを適用し、候補解のグローバル最適性を証明する。
• 投影制約によって定義される多様体の幾何的性質を活用し、最適性条件を解釈し、実験的性能を説明する。
• 任意の緩和問題における妥当解から、SVDに基づくアルゴリズムを用いて3次元点を回復する。
• スパarsityと対称性を活用したカスタムソルバによる最適化を想定し、一般用途のSDPソルバSeDuMiを用いて実装する。

実験結果

リサーチクエスチョン

• RQ1 $ n \geq 2 $ ビューにおいて、$ n \geq 4 $ であってもグローバル最適トリアングレーションを多項式時間で最適化できるアルゴリズムを設計できるか？
• RQ2 QCQPに基づくトリアングレーションにおいて、多項式時間でグローバル最適性を証明する十分条件は何か？
• RQ3 理論的ノイズ制限があるにもかかわらず、本手法が実用的ケースの大部分でグローバル最適性を達成する理由は何か？
• RQ4 投影多様体の幾何的構造は、トリアングレーションにおけるSDP緩和の性能にどのように影響を与えるか？
• RQ5 最適性テストは、コンピュータビジョンにおける等式制約を伴う他のQCQP問題へ一般化可能か？

主な発見

• オックスフォードデータセットの1,000件のテストケースにおいて、アルゴリズムは98.36％でグローバル最適性を達成し、優れた実用的性能を示した。
• 提案された最適性証明テストには偽陽性がなく、最適とマークされた解は常に実際にグローバル最適であることが保証される。
• 高ノイズ（標準偏差0.2、画像サイズの約10％）を含む合成データセットにおいて、非同一面に配置されたカメラ配置では、すべてのケースでグローバル最適性を達成した。
• 同一面に配置されたカメラ中心（退化した配置）に対しても、すべてのテストケースでグローバル最適性を達成しており、劣化配置に対して強い耐性を示した。
• 本手法の成功は、多様体 $ \overline{V}_P $ の構造によって幾何的に説明可能であり、高品質なSDP解が真の妥当集合に近いことを保証している。
• 1次SDP緩和は高品質な解を生成し、非線形最適化による標準的なSVD初期化に比べ、最適性保証の観点で優れた性能を示した。