DSAC — 카메라 로컬라이제이션을 위한 미분 가능한 RANSAC

RANSAC은 강인 최적화에서 중요한 알고리즘이며 많은 컴퓨터 비전 응용 프로그램의 중앙 구성 요소입니다. 최근 몇 년 동안 전통적으로 수작업으로 구축된 파이프라인이 종단 간 방식으로 훈련될 수 있는 딥 러닝 파이프라인으로 대체되었습니다. 그러나 RANSAC은 그것의 가설 선택 절차가 비미분 가능하기 때문에 그러한 딥 러닝 파이프라인의 일부로 사용되지 않았습니다. 본 연구에서는 이 한계를 극복하기 위한 두 가지 방법을 제시합니다. 가장 유망한 접근법은 강화 학습에 의해 영감을 받은 것으로, 결정론적 가설 선택을 확률적 선택으로 대체하여 모든 학습 가능한 매개변수에 대한 기대 손실을 도출할 수 있습니다. 우리는 이 접근법을 DSAC, 즉 RANSAC의 미분 가능한 대응물이라고 부릅니다. 우리는 DSAC를 카메라 로컬라이제이션 문제에 적용하는데, 여기서 딥 러닝은 전통적인 접근법보다 개선되지 못했습니다. RANSAC에 의해 강인하게 추정된 출력 카메라 포즈의 기대 손실을 직접 최소화함으로써 정확도를 높일 수 있음을 보여줍니다. 앞으로 모든 딥 러닝 파이프라인은 DSAC를 강인 최적화 구성 요소로 사용할 수 있습니다.