일반화 가능한 학습 기반 RANSAC을 위한 몬테카로 확산 기법

Monte Carlo Diffusion for Generalizable Learning-Based RANSAC

March 12, 2025

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

cs.AI

초록

Random Sample Consensus(RANSAC)은 노이즈가 포함된 데이터로부터 강건하게 파라미터 모델을 추정하는 기본적인 접근법입니다. 기존의 학습 기반 RANSAC 방법들은 딥러닝을 활용하여 RANSAC의 이상치에 대한 강건성을 향상시킵니다. 그러나 이러한 접근법들은 동일한 알고리즘으로 생성된 데이터에 대해 학습 및 테스트가 이루어지기 때문에, 추론 과정에서 분포 외 데이터에 대한 일반화 능력이 제한적입니다. 따라서 본 논문에서는 학습 기반 RANSAC의 학습을 위해 노이즈가 있는 조건을 시뮬레이션하기 위해, ground-truth 데이터에 점진적으로 노이즈를 주입하는 새로운 확산 기반 패러다임을 소개합니다. 데이터 다양성을 향상시키기 위해, 우리는 확산 패러다임에 몬테카를로 샘플링을 통합하여 여러 단계에서 다양한 유형의 무작위성을 도입함으로써 다양한 데이터 분포를 근사합니다. 우리는 ScanNet 및 MegaDepth 데이터셋에 대한 포괄적인 실험을 통해 특징 매칭 맥락에서 우리의 접근법을 평가합니다. 실험 결과는 우리의 몬테카를로 확산 메커니즘이 학습 기반 RANSAC의 일반화 능력을 크게 향상시킨다는 것을 보여줍니다. 또한, 우리는 프레임워크의 주요 구성 요소들의 효과를 강조하는 광범위한 절제 연구를 수행합니다.

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.