Monte-Carlo-Diffusion für generalisierbares lernbasiertes RANSAC

Monte Carlo Diffusion for Generalizable Learning-Based RANSAC

March 12, 2025

Autoren: Jiale Wang, Chen Zhao, Wei Ke, Tong Zhang

cs.AI

Zusammenfassung

Random Sample Consensus (RANSAC) ist ein grundlegender Ansatz zur robusten Schätzung parametrischer Modelle aus verrauschten Daten. Bestehende lernbasierte RANSAC-Methoden nutzen Deep Learning, um die Robustheit von RANSAC gegenüber Ausreißern zu verbessern. Diese Ansätze werden jedoch auf Daten trainiert und getestet, die von denselben Algorithmen generiert werden, was zu einer begrenzten Generalisierungsfähigkeit auf außerhalb der Verteilung liegende Daten während der Inferenz führt. Daher stellen wir in diesem Artikel ein neuartiges, diffusionsbasiertes Paradigma vor, das schrittweise Rauschen in Ground-Truth-Daten einfügt und so die verrauschten Bedingungen für das Training lernbasierter RANSAC-Methoden simuliert. Um die Datenvielfalt zu erhöhen, integrieren wir Monte-Carlo-Sampling in das Diffusionsparadigma, wodurch verschiedene Datenverteilungen durch die Einführung unterschiedlicher Arten von Zufälligkeit in mehreren Stufen angenähert werden. Wir bewerten unseren Ansatz im Kontext der Merkmalszuordnung durch umfangreiche Experimente auf den Datensätzen ScanNet und MegaDepth. Die experimentellen Ergebnisse zeigen, dass unser Monte-Carlo-Diffusionsmechanismus die Generalisierungsfähigkeit lernbasierter RANSAC-Methoden signifikant verbessert. Zudem führen wir umfangreiche Ablationsstudien durch, die die Wirksamkeit der Schlüsselkomponenten unseres Frameworks hervorheben.

English

Random Sample Consensus (RANSAC) is a fundamental approach for robustly estimating parametric models from noisy data. Existing learning-based RANSAC methods utilize deep learning to enhance the robustness of RANSAC against outliers. However, these approaches are trained and tested on the data generated by the same algorithms, leading to limited generalization to out-of-distribution data during inference. Therefore, in this paper, we introduce a novel diffusion-based paradigm that progressively injects noise into ground-truth data, simulating the noisy conditions for training learning-based RANSAC. To enhance data diversity, we incorporate Monte Carlo sampling into the diffusion paradigm, approximating diverse data distributions by introducing different types of randomness at multiple stages. We evaluate our approach in the context of feature matching through comprehensive experiments on the ScanNet and MegaDepth datasets. The experimental results demonstrate that our Monte Carlo diffusion mechanism significantly improves the generalization ability of learning-based RANSAC. We also develop extensive ablation studies that highlight the effectiveness of key components in our framework.