Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction

解决问题：本篇论文旨在解决在未标定图像中估计消失点的问题，利用先验重力方向来估计曼哈顿坐标系中的三个正交消失点和相机的未知焦距。这是否是一个新问题？这是一个已知的问题，但是本文提供了新的解决方案。

关键思路：本文提出了两种新的2线求解器，并设计了一种新的非最小方法，可以在任意数量的线上运行，以提高局部优化的性能。将所有求解器组合成一个混合鲁棒估计器，即使具有粗略的先验，我们的方法也能实现更高的精度。本文还展示了求解器在相对旋转估计中的适用性。

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？本文提供了两种新的2线求解器和一种新的非最小方法，可以在任意数量的线上运行，以提高局部优化的性能，同时提高了估计的准确性。

其他亮点：本文的实验使用了合成和真实数据集，并展示了我们的方法相比现有技术的优越性。本文的代码已经开源，可以在https://github.com/cvg/VP-Estimation-with-Prior-Gravity上获得。这些工作值得进一步深入研究。

关于作者：本文的主要作者是Rémi Pautrat、Shaohui Liu、Petr Hruby和Marc Pollefeys，他们分别来自瑞士联邦理工学院、中国科学院、捷克布拉格捷克技术大学和瑞士苏黎世联邦理工学院。Marc Pollefeys曾经发表过“Real-Time Visual Odometry from Dense RGB-D Images”等代表作。

相关研究：近期其他相关的研究还有哪些？与此相关的论文包括：“Robust Vanishing Point Detection in Challenging Road Scenes Using a Combination of Geometric and Learning-based Techniques”（作者：Ioannis Gkioulekas等，机构：卡内基梅隆大学）和“Fast and Accurate Vanishing Point Detection and Its Application in Road Detection”（作者：Yanpeng Cao等，机构：南京大学）。

论文摘要：本文解决了在没有标定的图像中，利用先验重力方向来估计曼哈顿坐标系（即三个正交消失点）和相机未知的焦距问题。这个方向可以来自于惯性测量单元（IMU），这是最近消费设备（如智能手机）的标准组件。我们对最小线配置进行了详细的分析，并推导出两个新的二线求解器，其中一个不会受到现有求解器所影响的奇异性的影响。此外，我们设计了一种新的非最小方法，可以在任意数量的线上运行，以提高局部优化的性能。通过将所有求解器组合成一个混合健壮估计器，我们的方法即使在粗略的先验条件下也能实现更高的精度。在合成和真实数据集上的实验表明，与现有技术相比，我们的方法具有更高的精度，同时具有可比的运行时间。我们进一步展示了我们的求解器在相对旋转估计中的适用性。代码可在https://github.com/cvg/VP-Estimation-with-Prior-Gravity中获得。

内容中包含的图片若涉及版权问题，请及时与我们联系删除