[论文解读] Robust Uncertainty-Aware Multiview Triangulation

Seong Hun Lee, Javier Civera|arXiv (Cornell University)|Aug 4, 2020

Robotics and Sensor-Based Localization参考文献 48被引用 6

一句话总结

该论文提出了一种鲁棒且高效的多视角三角测量方法，通过两视角RANSAC结合中点法进行异常值剔除，利用高斯-牛顿优化进行局部优化，并基于内点数量、平均重投影误差和最大视差角构建可学习的不确定性模型。该方法在高异常值比例下实现了最先进的效率与精度，且通过插值模拟数据实现在推理阶段的快速不确定性估计。

ABSTRACT

We propose a robust and efficient method for multiview triangulation and uncertainty estimation. Our contribution is threefold: First, we propose an outlier rejection scheme using two-view RANSAC with the midpoint method. By prescreening the two-view samples prior to triangulation, we achieve the state-of-the-art efficiency. Second, we compare different local optimization methods for refining the initial solution and the inlier set. With an iterative update of the inlier set, we show that the optimization provides significant improvement in accuracy and robustness. Third, we model the uncertainty of a triangulated point as a function of three factors: the number of cameras, the mean reprojection error and the maximum parallax angle. Learning this model allows us to quickly interpolate the uncertainty at test time. We validate our method through an extensive evaluation.

研究动机与目标

• 开发一种鲁棒且高效的多视角三角测量方法，以应对真实计算机视觉应用中常见的高异常值比例问题。
• 通过采用高斯-牛顿等局部优化方法迭代优化内点集，提升精度与鲁棒性。
• 基于关键几何特征与误差因素，利用数据驱动模型实现计算高效的3D不确定性估计。
• 通过大规模合成仿真数据学习不确定性模型，实现在推理阶段的快速不确定性估计。

提出的方法

• 采用基于中点法的预筛选步骤的两视角RANSAC，提前剔除质量差的两视角匹配，从而在高异常值比例下提升效率。
• 通过迭代优化内点集，并对比三种局部优化方法：DLT、线性最小二乘法（LinLS）与高斯-牛顿法（GN），其中GN采用高效的雅可比矩阵计算方式。
• 将三角测量点的3D不确定性建模为三个因素的函数：内点相机数量、平均重投影误差与最大视差角。
• 在合成数据上训练回归模型，通过插值实现在推理阶段的不确定性估计，无需重新运行优化过程。
• 将所有组件整合为统一算法：首先剔除异常值，然后优化解，最后估计不确定性。
• 采用鲁棒初始化与内点的迭代加权策略，以增强优化阶段的收敛性与精度。

实验结果

研究问题

• RQ1 当异常值比例较高时，如何提升两视角RANSAC在多视角三角测量中的效率？
• RQ2 在多视角三角测量中，DLT、LinLS与高斯-牛顿法中，哪种局部优化方法在精度与计算成本之间提供了最佳权衡？
• RQ3 基于几何特征与误差度量，数据驱动模型能否准确预测三角测量点的3D不确定性？
• RQ4 所提出的不确定性估计方法在下游任务（如点云去噪或鲁棒定位）中表现如何？

主要发现

• 所提出的带预筛选的RANSAC显著降低了计算时间，尤其在高异常值比例下，相比先前方法，其每点RANSAC耗时在90%异常值比例下最高可提升5.56倍。
• 高斯-牛顿优化相比DLT显著降低了2D重投影误差，最大误差降低幅度达1.85倍，尤其在视差较低或噪声较高时表现更优。
• 从仿真数据中学习的不确定性模型可在推理阶段实现快速且准确的不确定性估计，插值方法能为3D点提供可靠的置信度估计。
• 该方法在效率与鲁棒性方面达到当前最优水平，其RANSAC速度最快（相比[43]快达3.74倍），且在高异常值污染下仍保持优异精度（如90%异常值比例下）。
• RANSAC、内点集迭代优化与不确定性建模的结合，经合成数据与真实数据集（如Dinosaur、Corridor与Notre Dame）验证，可生成更精确可靠的3D重建结果。