[论文解读] Progressive NAPSAC: sampling from gradually growing neighborhoods

Dániel Baráth, Maksym Ivashechkin+1 more|arXiv (Cornell University)|Jun 5, 2019

Robotics and Sensor-Based Localization参考文献 24被引用 7

一句话总结

Progressive NAPSAC (P-NAPSAC) 通过从初始点周围逐渐扩大的邻域中采样，在计算机视觉中加速了鲁棒估计，结合了局部效率与全局鲁棒性。集成到 USAC* 后，相比 PROSAC 将迭代次数减少了 34%，并在 10,691 个单应矩阵和基础矩阵模型中实现了更快的收敛速度和更低的失败率。

ABSTRACT

We propose Progressive NAPSAC, P-NAPSAC in short, which merges the advantages of local and global sampling by drawing samples from gradually growing neighborhoods. Exploiting the fact that nearby points are more likely to originate from the same geometric model, P-NAPSAC finds local structures earlier than global samplers. We show that the progressive spatial sampling in P-NAPSAC can be integrated with PROSAC sampling, which is applied to the first, location-defining, point. P-NAPSAC is embedded in USAC, a state-of-the-art robust estimation pipeline, which we further improve by implementing its local optimization as in Graph-Cut RANSAC. We call the resulting estimator USAC*. The method is tested on homography and fundamental matrix fitting on a total of 10,691 models from seven publicly available datasets. USAC* with P-NAPSAC outperforms reference methods in terms of speed on all problems.

研究动机与目标

• 为解决全局 RANSAC 采样器在检测空间一致内点时效率低下的问题，通过利用局部点的邻近性。
• 克服纯粹局部采样器（如 NAPSAC）在最小采样中因条件差和退化解而导致的局限性。
• 将渐进式邻域采样与 PROSAC 的排序策略以及 GC-RANSAC 的局部优化相结合，以提升鲁棒估计性能。
• 开发一种能动态适应数据结构的采样策略，实现在不牺牲全局精度的前提下更早检测到局部模型。
• 显著提升 USAC 流程在基础矩阵和单应矩阵估计中的速度与可靠性。

提出的方法

• P-NAPSAC 从以第一个点为中心的逐渐扩大的超球体中采样，从较小半径开始，逐步增大，以平衡局部与全局采样。
• 采样半径根据数据结构动态调整，确保能早期检测到局部内点簇，同时避免因过度局部化采样导致的退化解。
• P-NAPSAC 与 PROSAC 集成，利用 PROSAC 的点排序选择初始点，随后应用渐进式邻域采样以提升早期收敛速度。
• 该方法嵌入 USAC* 中，通过使用图割 RANSAC 的空间一致性感知优化方法增强局部优化，从而提升模型质量。
• 引入一种松弛的终止准则，由参数 γ 参数化，通过减少迭代次数实现处理速度与准确度之间的权衡。
• 算法使用七点法和八点法求解器进行基础矩阵估计，使用四点法求解器进行单应矩阵估计，并通过归一化最小二乘法对内点集进行优化。

实验结果

研究问题

• RQ1 渐进式邻域采样是否能比全局采样器（如 PROSAC）更早检测到局部内点结构？
• RQ2 结合局部与全局采样策略是否能减少鲁棒估计中达到收敛所需的迭代次数？
• RQ3 P-NAPSAC 是否能在保持或提升模型准确度和失败率的前提下，实现比最先进采样器更快的速度？
• RQ4 松弛的终止准则（γ）如何影响处理时间与估计质量之间的权衡？
• RQ5 将 P-NAPSAC 与 GC-RANSAC 和 PROSAC 集成，对 USAC 流程的整体性能提升程度如何？

主要发现

• 在所有数据集上，P-NAPSAC 均为所有测试采样器中最早终止，相比 PROSAC 迭代次数减少 34%。
• 平均而言，P-NAPSAC 所需迭代次数仅为 PROSAC（第二快的采样器）的 0.66 倍，显著加速了 USAC* 流程。
• P-NAPSAC 失败率比其他方法低 0.1 个百分点，内点比例和几何误差与基线方法相当或更优。
• 采用 γ = 0.1 的松弛终止准则使处理时间减少 70%（从 1.0 降至 0.3 的相对值），同时误差和失败率仅略有上升（从 ~0.8 上升至 1.0）。
• 在基础矩阵估计中，P-NAPSAC 的几何误差与均匀采样和 PROSAC 相当，但处理时间仅为后者的二分之一。
• 在七个公开数据集的 10,691 个模型上，USAC* 搭载 P-NAPSAC 在所有问题中均显著优于参考方法，展现出一致的加速效果。