Monte Carlo de Difusão para RANSAC Baseado em Aprendizado Generalizável

Monte Carlo Diffusion for Generalizable Learning-Based RANSAC

March 12, 2025

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

cs.AI

Resumo

O Random Sample Consensus (RANSAC) é uma abordagem fundamental para estimar modelos paramétricos de forma robusta a partir de dados ruidosos. Os métodos existentes de RANSAC baseados em aprendizado utilizam deep learning para aumentar a robustez do RANSAC contra outliers. No entanto, essas abordagens são treinadas e testadas em dados gerados pelos mesmos algoritmos, o que resulta em uma generalização limitada para dados fora da distribuição durante a inferência. Portanto, neste artigo, introduzimos um novo paradigma baseado em difusão que injeta progressivamente ruído em dados de ground-truth, simulando condições ruidosas para o treinamento do RANSAC baseado em aprendizado. Para aumentar a diversidade dos dados, incorporamos amostragem de Monte Carlo ao paradigma de difusão, aproximando diversas distribuições de dados ao introduzir diferentes tipos de aleatoriedade em múltiplos estágios. Avaliamos nossa abordagem no contexto de correspondência de características por meio de experimentos abrangentes nos conjuntos de dados ScanNet e MegaDepth. Os resultados experimentais demonstram que nosso mecanismo de difusão de Monte Carlo melhora significativamente a capacidade de generalização do RANSAC baseado em aprendizado. Também desenvolvemos extensos estudos de ablação que destacam a eficácia dos componentes-chave em nossa estrutura.

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.