[論文レビュー] Improved RANSAC performance using simple, iterative minimal-set solvers

Edward Rosten, Gerhard Reitmayr+1 more|arXiv (Cornell University)|Jul 8, 2010

Underwater Vehicles and Communication Systems参考文献 21被引用数 13

ひとこと要約

本稿では、RANSACに基づく本質行列推定において、複雑な多項式ソルバーよりも単純で反復的な非線形最適化（例：ガウス・ニュートン）を最小集合に適用することを提案する。この手法は、計算速度と数値的安定性に優れ、特に左-右方向の運動において、仮説生成が速く局所的最小値に対して頑健であるため、実世界のシナリオで標準的な5点アルゴリズムを上回る性能を発揮する。

ABSTRACT

RANSAC is a popular technique for estimating model parameters in the presence of outliers. The best speed is achieved when the minimum possible number of points is used to estimate hypotheses for the model. Many useful problems can be represented using polynomial constraints (for instance, the determinant of a fundamental matrix must be zero) and so have a number of solutions which are consistent with a minimal set. A considerable amount of effort has been expended on finding the constraints of such problems, and these often require the solution of systems of polynomial equations. We show that better performance can be achieved by using a simple optimization based approach on minimal sets. For a given minimal set, the optimization approach is not guaranteed to converge to the correct solution. However, when used within RANSAC the greater speed and numerical stability results in better performance overall, and much simpler algorithms. We also show that by selecting more than the minimal number of points and using robust optimization can yield better results for very noisy by reducing the number of trials required. The increased speed of our method demonstrated with experiments on essential matrix estimation.

研究の動機と目的

• RANSACにおける最小集合問題に対する直接的な多項式ソルバーの計算非効率性と数値的不安定性を解消する。
• 高次多項式系を解く課題に直面し、条件数が悪く収束不能となるリスクを克服する。
• 複雑な最小ソルバーの代わりに、単純で高速かつ数値的に安定した反復的最適化を用いることで、RANSACの性能を向上させる。
• 頑健な最適化を用いたスーパー最小集合の利用を検討し、高ノイズ環境下での外れ値への感受性を低減する。
• 単純な最適化に基づく仮説生成が、実世界の動画データにおいて確立された直接的ソルバーを上回ることを実証する。

提案手法

• ガウス・ニュートン法やレーベンバーグ・マーカート法を用い、最小集合（例：5点対応点）の残差を最小化することで、本質行列推定を実行する。
• 多項式系を解く代わりに、反復的・非制約付き非線形ソルバーを用いて最小集合を最適化することで、RANSACの仮説を生成する。
• 外れ値耐性を向上させるために、スーパー最小集合（最小点数より多い点群）に対して頑健な最適化（例：反復的重み付き最小二乗法）を適用する。
• 残差最小化に基づいて仮説を選択し、各仮説の正しさを保証するのではなく、速度と数値的安定性を優先する。
• 最適化された仮説生成を、M推定量による最終モデルの精緻化を伴う完全なRANSACパイプラインに統合する。
• 合成データおよび実世界データを用い、外れ値密度や運動タイプの異なる複数のデータセットで、標準的な5点アルゴリズムや他のソルバーと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 反復的で最適化に基づく最小集合ソルバーは、RANSACに基づく本質行列推定において、直接的な多項式ソルバーを上回ることができるか？
• RQ2 ガウス・ニュートンのような単純で高速な最適化器を用いることで、局所的最小値への収束の可能性があるにもかかわらず、全体的なRANSAC性能が向上するか？
• RQ3 外れ値密度が変化する実世界の動画シーケンスにおいて、最適化ベースのソルバーと5点アルゴリズムの性能はどのように比較されるか？
• RQ4 スーパー最小集合と頑健な最適化を組み合わせることで、RANSACの試行回数を削減し、高外れ値密度下での性能を向上させることができるか？
• RQ5 合成データの結果が、左-右や前後方向の運動といった困難な運動状態を含む実世界データにどの程度一般化できるか？

主な発見

• ガウス・ニュートン最適化（アルゴリズム2）は、実世界の左-右方向運動シーケンスにおいて、レーベンバーグ・マーカート法や5点アルゴリズムを著しく上回り、1秒あたりの有効な仮説生成数が増加する。
• 合成データでは、レーベンバーグ・マーカート最適化（アルゴリズム1）が高外れ値密度下で最も優れた性能を示し、5点アルゴリズム（アルゴリズム4）は低外れ値密度下で優位性を発揮する。
• 高外れ値密度下では、スーパー最小集合に対する頑健な最適化（アルゴリズム3）が最良の性能を発揮し、必要なRANSAC試行回数を削減する。
• ガウス・ニュートン法が、条件が悪い点群セットを素早く放棄できる能力により、仮説生成スループットが向上し、全体的なRANSACの成功確率が向上する。
• 実世界データでは、5点アルゴリズムはエピポーラ線の不安定性と局所的最小値の影響により左-右運動で困難をきたすが、最適化ベースの手法は依然として頑健である。
• 実データでは合成データと比較してアルゴリズム間の性能差が顕著に現れ、合成ベンチマークの限界がRANSAC手法の評価において顕在化している。