[论文解读] 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 6

一句话总结

本文提出了一种多项式时间的半定规划（SDP）方法，用于从 $ n \geq 2 $ 个噪声图像投影中全局优化三维重建中的三角测量问题。通过将三角测量问题建模为带二次约束的二次规划（QCQP），并利用SDP松弛技术，该方法基于一个无假阳性的充分条件实现全局最优性的可证性，在98.36%的真实世界测试案例中获得了最优解，尽管存在理论限制，仍表现出强大的实际性能。

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.

研究动机与目标

• 解决长期存在的多视图（$ n \geq 4 $）全局最优三角测量挑战，现有方法或次优，或具有指数时间复杂度。
• 设计一种多项式时间算法，能够计算出全局最优的3D点，或证明最优性无法保证。
• 提供一种可在多项式时间内计算且无假阳性的全局最优性充分条件。
• 通过三角测量问题的几何分析，解释该方法在实际中取得高成功率的原因。
• 将半定规划的应用扩展到理论边界之外的实际多视图几何问题。

提出的方法

• 将三角测量问题建模为最小化重投影误差平方和的带二次约束的二次规划（QCQP）。
• 利用QCQP的半定规划（SDP）松弛来计算候选解，并通过秩一分解方法提取解。
• 应用基于Hessian型矩阵半正定性的多项式时间测试，以认证候选解的全局最优性。
• 借助投影约束所定义的代数簇的几何结构，解释最优性条件并说明方法的实际性能表现。
• 使用基于SVD的算法，从未松弛问题的任意可行解中恢复3D点。
• 使用通用SDP求解器SeDuMi实现该方法，未来可通过利用稀疏性和对称性的专用求解器进行优化。

实验结果

研究问题

• RQ1 能否设计一种多项式时间算法，对 $ n \geq 2 $ 个视图的三角测量实现全局优化，即使当 $ n \geq 4 $ 时？
• RQ2 在基于QCQP的三角测量中，何种充分条件可实现多项式时间的全局最优性认证？
• RQ3 尽管存在理论噪声限制，为何该方法在绝大多数实际情况下仍能实现全局最优？
• RQ4 投影代数簇的几何结构如何影响SDP松弛在三角测量中的性能表现？
• RQ5 该最优性测试能否推广至计算机视觉中具有等式约束的其他QCQP问题？

主要发现

• 在牛津数据集的1,000组测试用例中，该算法在98.36%的情况下实现了全局最优，表现出强大的实际性能。
• 所提出的最优性认证测试无假阳性，确保所有被标记为最优的解确实为全局最优。
• 在高噪声的合成数据集中（标准差为0.2，约图像尺寸的10%），该方法在所有非共面相机配置下均实现了全局最优。
• 对于共面相机中心的情况，该方法在所有测试案例中仍实现了全局最优，表明其对退化配置具有鲁棒性。
• 该方法的成功可从代数簇 $ \overline{V}_P $ 的几何结构得到解释，其特性确保高质量的SDP解接近真实可行集。
• 一阶SDP松弛即可产生高质量解，且在最优性保证方面优于标准SVD初始化结合非线性优化的常规方法。