SfMLearner++: Learning Monocular Depth & Ego-Motion using Meaningful Geometric Constraints
従来研究だとPhotometric Lossを計算する時に、Pose Estaimationが間違っていたら、Depth Estimation正しくても、Lossが大きくなってしまうという課題があった。
そこでその課題を解決するのがこの論文!
新規性
epipolar Costraing weighted Loss
単純のPhotometric Lossにepipolar lineの類似度の重みを付ける
Pose Estimationが正しい=>Epipolar Lineは同じ
そうする事でPose Estimationが上手くいかなかったときのPhotometric Lossを軽減できる。
p’.trans Ep = 0の証明
EはExtrinsic Matric(2つのカメラ館の回転と移動量)
Pose Estimationが正しければこの値は0になるはず。
p'Ep = 0の証明
Txp'=TxRp(pを回転させてp'と平行なベクターにすれば、Tとの外積は同じのはず)
a・(axb) =0の証明
aベクターとbベクターの外積にaベクターの内積を取ると0になる
外積はaベクターとbベクターの平面に対して垂直にzを取る。
そこに内積をかければ90度なのでいつも0となる。
結果
Epipolar Constrain weightをPhotometric Lossに導入する事で精度が上がっている
結論
・Pose Estimationが悪さをしない為にEpipolar Lineを確認せよ
参考文献
SfMLearner++: Learning Monocular Depth & Ego-Motion using Meaningful Geometric Constraints
https://arxiv.org/pdf/1812.08370.pdf
https://www.quora.com/How-do-I-prove-that-a-axb-0