[논문 리뷰] Deterministic Approximate Methods for Maximum Consensus Robust Fitting

Huu Le, Tat-Jun Chin외 3명|arXiv (Cornell University)|2017. 10. 27.

Sparse and Compressive Sensing Techniques참고 문헌 26인용 수 8

한 줄 요약

이 논문은 컴퓨터 시각에서 최대 공감대에 대한 강건한 피팅을 위한 두 가지 결정론적 근사 알고리즘을 제안한다. 비연속 페널티 방법과 Frank-Wolfe 최적화, ADMM를 사용하여 볼록 부분문제를 효율적으로 해결한다. 이 방법들은 RANSAC나 최소 제곱법과 같은 난수적 초기 추정치를 크게 향상시키며, 해의 품질에서 히우리스틱 방법을 능가하면서도 실제 입력 크기(수백에서 수천 개의 측정값)에서 실용적인 성능를 유지한다.

ABSTRACT

Maximum consensus estimation plays a critically important role in robust fitting problems in computer vision. Currently, the most prevalent algorithms for consensus maximization draw from the class of randomized hypothesize-and-verify algorithms, which are cheap but can usually deliver only rough approximate solutions. On the other extreme, there are exact algorithms which are exhaustive search in nature and can be costly for practical-sized inputs. This paper fills the gap between the two extremes by proposing deterministic algorithms to approximately optimize the maximum consensus criterion. Our work begins by reformulating consensus maximization with linear complementarity constraints. Then, we develop two novel algorithms: one based on non-smooth penalty method with a Frank-Wolfe style optimization scheme, the other based on the Alternating Direction Method of Multipliers (ADMM). Both algorithms solve convex subproblems to efficiently perform the optimization. We demonstrate the capability of our algorithms to greatly improve a rough initial estimate, such as those obtained using least squares or a randomized algorithm. Compared to the exact algorithms, our approach is much more practical on realistic input sizes. Further, our approach is naturally applicable to estimation problems with geometric residuals

연구 동기 및 목표

• 강건한 피팅에서 최대 공감대 추정에 대한 결정론적 근사 알고리즘이 부족한 문제를 해결한다.
• 랜덤화된 가설-검증 방법(예: RANSAC)과 계산 비용이 높은 정확한 전역 방법 사이의 격차를 메운다.
• 나쁜 초기 추정치를 향상시키고 고품질의 공감대 해에 수렴할 수 있는 효율적이고 결정론적인 알고리즘을 개발한다.
• 정확한 방법이 비현실적인 수준의 문제(수백에서 수천 개의 측정값)에 대해 최대 공감대를 실용적으로 적용할 수 있도록 한다.
• 컴퓨터 비전 작업에서 흔한 비선형 기하 잔차(예: 기본 행렬 및 삼각측량 추정)와의 호환성을 확보한다.

제안 방법

• 최대 공감대 추정을 선형 보완 제약 조건을 가진 문제로 재구성하여 결정론적 최적화를 가능하게 한다.
• 비연속 페널티 방법과 Frank-Wolfe 스타일의 반복적 절차를 조합하여 완화된 문제를 효율적으로 해결한다.
• 공감대 목표를 최적화하기 위해 볼록 부분문제를 번갈아가며 푸는 ADMM 기반 알고리즘을 구현한다.
• 각 반복 단계에서 볼록 부분문제 해법기를 사용하여 계산 효율성과 실제 입력 크기로의 확장성을 보장한다.
• 비전 응용을 위해 기하 잔차(예: 1-노름 재투영 오차)를 최적화 프레임워크에 자연스럽게 통합한다.
• 최소 제곱법이나 RANSAC과 같은 난수적 방법으로부터의 초기 추정치를 향상시키기 위해 반복적 업데이트를 통한 局부 개선을 적용한다.

실험 결과

연구 질문

• RQ1 결정론적 근사 알고리즘이 최대 공감대 추정에서 RANSAC과 같은 난수적 히우리스틱보다 해의 품질에서 뛰어나게 할 수 있는가?
• RQ2 보완 제약 조건을 가진 볼록 완화 기법이 최대 공감대에 대해 효율적이고 확장 가능한 최적화를 가능하게 하는가?
• RQ3 제안된 Frank-Wolfe 및 ADMM 기반 알고리즘이 실제 입력 크기에서 정확한 전역 방법과 실행 시간과 해의 품질 측면에서 어떻게 비교되는가?
• RQ4 높은 이상치 비율 상황에서 제안된 방법이 나쁜 초기 추정치(예: 최소 제곱법 또는 RANSAC에서 유도된 것)를 얼마나 잘 향상시킬 수 있는가?
• RQ5 비선형 잔차(예: 기본 행렬, 삼각측량)를 가진 기하 피팅 문제에 대해 성능을 저하시키지 않고 효과적으로 적용할 수 있는가?

주요 결과

• 삼각측량 실험에서 11,595개의 3D 점과 150개 이상의 시야에서 EP-RS 및 AM-RS 변종은 99,232개의 총 내재점을 기록하여 RANSAC 및 기타 방법을 능가했다.
• Bikes 및 Graff 이미지 쌍에서 EP-RS는 각각 99.2% 및 98.7%의 내재점 비율을 기록하여 RANSAC 및 LO-RANSAC를 크게 능가했다.
• 아핀 변환 추정에 있어서 EP-RS는 Building 143과 152에서 각각 97.5% 및 96.8%의 내재점 비율을 기록하여 RANSAC 및 LO-RANSAC를 초월했다.
• EP-RS는 49.52분의 실행 시간으로 삼각측량에서 99,232개의 내재점을 달성했으며, RANSAC(91,888개의 내재점, 12.10분) 및 LO-RANSAC(94,387개의 내재점, 23.09분)를 모두 능가했다.
• 고이상치 상황에서 제안된 방법들은 RANSAC 변종보다 빠르면서도 더 높은 품질의 해를 제공했다.
• 이 방법들은 나쁜 초기 추정치(예: 최소 제곱법에서 유도된 것)를 효과적으로 향상시키며, 불균형 데이터에서도 고품질의 공감대 해에 수렴했다.