Power Variable Projection for Initialization-Free Large-Scale Bundle Adjustment

初始化无关的捆绑调整（BA）仍然是一个相对未被探索的领域。虽然Levenberg-Marquardt算法是解决BA问题的黄金方法，但它通常依赖于良好的初始化。相比之下，未被充分探索的变量投影算法（VarPro）即使没有初始化也表现出广泛的收敛区域。近期的研究结合对象空间误差公式表明其能够解决（小规模）无初始化的捆绑调整问题。我们引入了Power Variable Projection（PoVar），扩展了最近基于幂级数的逆展开方法。重要的是，我们将幂级数展开与黎曼流形优化联系起来。这个投影框架对于解决大规模的无初始化的捆绑调整问题至关重要。通过使用真实世界的BAL数据集，我们实验性地证明了我们的求解器在速度和准确性方面实现了最先进的结果。特别地，我们的工作是我们所知道的第一个解决无初始化的BA可扩展性问题并为无初始化的SfM开辟了新的途径。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了Power Variable Projection (PoVar)算法，通过与Riemannian manifold optimization的结合，实现了大规模初始化-free的bundle adjustment问题的求解。实验结果表明，该算法在速度和准确度上均达到了最先进水平。值得进一步研究。

相关研究：该领域最近的相关研究包括：Levenberg-Marquardt algorithm、Variable Projection algorithm和object space error formulation等。