[論文レビュー] Robust Uncertainty-Aware Multiview Triangulation

Seong Hun Lee, Javier Civera|arXiv (Cornell University)|Aug 4, 2020

Robotics and Sensor-Based Localization参考文献 48被引用数 6

ひとこと要約

本稿では、二視点RANSACによる外れ値除去と中点法を統合し、ガウス＝ニュートンの最適化による局所最適化、およびインライナー数、平均再投影誤差、最大パララックス角に基づく学習可能な不確実性モデルを用いた、頑健で効率的なマルチビュー三角測量手法を提案する。本手法は、特に外れ値比率が高い状況下でも最先端の効率性と正確性を達成し、シミュレーションデータの補間によりテスト時の高速な不確実性推定を可能にする。

ABSTRACT

We propose a robust and efficient method for multiview triangulation and uncertainty estimation. Our contribution is threefold: First, we propose an outlier rejection scheme using two-view RANSAC with the midpoint method. By prescreening the two-view samples prior to triangulation, we achieve the state-of-the-art efficiency. Second, we compare different local optimization methods for refining the initial solution and the inlier set. With an iterative update of the inlier set, we show that the optimization provides significant improvement in accuracy and robustness. Third, we model the uncertainty of a triangulated point as a function of three factors: the number of cameras, the mean reprojection error and the maximum parallax angle. Learning this model allows us to quickly interpolate the uncertainty at test time. We validate our method through an extensive evaluation.

研究の動機と目的

• 実世界のコンピュータビジョン応用で一般的な高い外れ値比率に耐える、頑健で効率的なマルチビュー三角測量手法の開発。
• ガウス＝ニュートンなどの局所最適化手法による反復的インライナー集合の最適化を統合することで、正確性と頑健性の向上。
• 3次元不確実性を、主な幾何的要因および誤差要因に基づくデータ駆動型モデルを用いて、計算的に効率的に推定する。
• 広範な合成シミュレーションから得た不確実性モデルを学習することで、テスト時の高速な不確実性推定を可能にする。

提案手法

• 外れ値比率が高い状況下でも効率を発揮するように、中点法に基づく事前スクリーニングを施した二視点RANSACを採用し、初期段階で質の悪い二視点マッチングを除外する。
• インライナー集合の反復的精錬を実施し、DLT、線形最小二乗法（LinLS）、ガウス＝ニュートン（GN）の3つの局所最適化手法を比較。GNには効率的なヤコビアン計算を適用。
• 三角測量された点の3次元不確実性を、3つの要因（インライナーとなるカメラ数、平均再投影誤差、最大パララックス角）の関数としてモデル化。
• 合成データ上で回帰モデルを学習し、テスト時の不確実性推定を補間によって実現。最適化の再実行なしに高速な不確実性推定を可能にする。
• 外れ値の除外 → 解の精錬 → 不確実性推定の順に統合された一貫したアルゴリズムとして全モジュールを統合。
• 最適化フェーズの収束性と正確性を向上させるために、頑健な初期化とインライナーの反復的再重み付けを採用。

実験結果

リサーチクエスチョン

• RQ1 外れ値比率が高い状況下で、マルチビュー三角測量における二視点RANSACの効率性をどのように向上できるか？
• RQ2 DLT、LinLS、ガウス＝ニュートンのうち、マルチビュー三角測量において正確性と計算コストのバランスが最良となるのはどの最適化手法か？
• RQ3 幾何的要因および誤差指標に基づくデータ駆動型モデルが、三角測量された点の3次元不確実性を正確に予測できるか？
• RQ4 提案された不確実性推定手法は、点群のノイズ除去やロバストロケーションなどの下流タスクにどのように寄与するか？

主な発見

• 事前スクリーニング付きRANSACにより、特に外れ値比率が高い状況で計算時間が顕著に短縮され、90％の外れ値比率下で最大5.56倍のRANSAC時間の短縮が達成された。
• ガウス＝ニュートン最適化によりDLTに比べて2次元再投影誤差が著しく改善され、最大誤差低減率が1.85倍に達する。特にパララックスが小さい、またはノイズが高い状況で顕著な改善が得られた。
• シミュレーションから学習した不確実性モデルにより、テスト時の高速かつ正確な不確実性推定が可能となり、補間により3次元点の信頼性のある信頼区間推定が得られた。
• 本手法は、最先端の効率性と頑健性を達成しており、RANSAC性能が[43]と比較して最大3.74倍速く、90％の外れ値比率下でも高い正確性を維持した。
• RANSAC、反復的インライナー精錬、不確実性モデリングの組み合わせにより、Dinosaur、Corridor、Notre Dameなどの合成および実データセットを用いた検証で、より正確で信頼性の高い3次元再構成が得られた。