[论文解读] Progressive-X+: Clustering in the Consensus Space.

Dániel Baráth, Denys Rozumnyi+3 more|arXiv (Cornell University)|Mar 25, 2021

Data Management and Algorithms参考文献 62被引用 4

一句话总结

Progressive-X+ 是一种实时、迭代的算法，通过在一致空间中进行类似 RANSAC 的采样和聚类，逐步识别主导模型实例，从而检测未知数量的几何模型（如单应性矩阵）。它通过基于质量的整合过程和利用数据中邻域连通性的空间一致性采样器，实现了最先进的精度，使多模型视觉任务具有鲁棒性能。

ABSTRACT

We propose Progressive-X+, a new algorithm for finding an unknown number of geometric models, e.g., homographies. The problem is formalized as finding dominant model instances progressively without forming crisp point-to-model assignments. Dominant instances are found via RANSAC-like sampling and a consolidation process driven by a model quality function considering previously proposed instances. New ones are found by clustering in the consensus space. This new formulation leads to a simple iterative algorithm with state-of-the-art accuracy while running in real-time on a number of vision problems. Also, we propose a sampler reflecting the fact that real-world data tend to form spatially coherent structures. The sampler returns connected components in a progressively growing neighborhood-graph. We present a number of applications where the use of multiple geometric models improves accuracy. These include using multiple homographies to estimate relative poses for global SfM; pose estimation from generalized homographies; and trajectory estimation of fast-moving objects.

研究动机与目标

• 解决在计算机视觉中检测未知数量几何模型的挑战，而无需事先知道模型数量。
• 提升在姿态估计和轨迹跟踪等多模型估计任务中的精度与效率。
• 开发一种反映真实世界数据空间一致性的采样策略，以增强模型检测的可靠性。
• 实现实时处理涉及多个几何结构的复杂视觉问题。
• 提供一个统一框架，适用于全局 SfM、广义单应性估计和快速运动物体跟踪等多种应用。

提出的方法

• Progressive-X+ 使用类似 RANSAC 的采样方法，在一致空间中迭代提出候选模型。
• 通过模型质量函数评估并整合先前检测到的实例，引导发现新的主导模型。
• 通过在一致空间中的聚类识别新模型实例，避免对点与模型进行明确的分配。
• 一种新颖的空间一致性采样器在不断增长的邻域图中生成连通分量，反映真实世界数据的结构。
• 该算法以迭代方式运行，逐步优化模型检测，且无需输入模型数量。
• 该方法设计轻量化且高效，可在多种视觉应用中实现实时性能。

实验结果

研究问题

• RQ1 当模型数量未知时，如何高效且准确地进行几何模型检测？
• RQ2 能否利用真实世界数据中的空间一致性来提升多模型估计中采样过程的鲁棒性？
• RQ3 在多模型拟合中，一致空间中的聚类在多大程度上优于传统的点到模型分配方法？
• RQ4 基于质量的整合过程在无需事先知道模型数量的情况下，能否增强主导模型的检测？
• RQ5 Progressive-X+ 在涉及多个几何模型的复杂视觉任务中，实时性能表现如何？

主要发现

• Progressive-X+ 在多模型几何拟合任务中实现了最先进精度，在基准评估中优于现有方法。
• 该算法可实现实时运行，适用于在线和交互式视觉应用。
• 空间一致性采样器通过优先选择连通且合理的数据结构，提升了模型检测效果，增强了鲁棒性。
• 在一致空间中进行聚类可有效发现新模型，且无需对点与模型进行明确分配。
• 该方法通过建模多个单应性矩阵，成功提升了全局 SfM 中的相对姿态估计精度。
• 通过建模多种运动结构，该方法实现了对快速运动物体的精确轨迹估计。