Monte Carlo Diffusie voor Generaliseerbaar Leren-Gebaseerd RANSAC

Monte Carlo Diffusion for Generalizable Learning-Based RANSAC

March 12, 2025

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

cs.AI

Samenvatting

Random Sample Consensus (RANSAC) is een fundamentele benadering voor het robuust schatten van parametrische modellen uit ruisachtige data. Bestaande op leren gebaseerde RANSAC-methoden gebruiken deep learning om de robuustheid van RANSAC tegen uitschieters te verbeteren. Deze methoden worden echter getraind en getest op data die gegenereerd zijn door dezelfde algoritmen, wat leidt tot beperkte generalisatie naar out-of-distribution data tijdens inferentie. Daarom introduceren we in dit artikel een nieuw op diffusie gebaseerd paradigma dat geleidelijk ruis injecteert in grondwaarheid-data, waardoor de ruisachtige omstandigheden voor het trainen van op leren gebaseerde RANSAC worden gesimuleerd. Om de diversiteit van de data te vergroten, integreren we Monte Carlo-steekproeven in het diffusieparadigma, waarbij diverse dataverdelingen worden benaderd door verschillende soorten willekeur op meerdere niveaus in te voeren. We evalueren onze aanpak in de context van feature matching door middel van uitgebreide experimenten op de ScanNet- en MegaDepth-datasets. De experimentele resultaten tonen aan dat ons Monte Carlo-diffusiemechanisme de generalisatiecapaciteit van op leren gebaseerde RANSAC aanzienlijk verbetert. We ontwikkelen ook uitgebreide ablatiestudies die de effectiviteit van de belangrijkste componenten in ons framework benadrukken.

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.