Repmatch：城市建筑中重复结构的三维重建(汇报总结).pptx

2019;问题提出;概述;2）通过使用5点法或者8点法，通过最小匹配集来估计多个姿态，再次期间可以通过RANSAC在获得合理的姿态估计。

然而，RANSAC能够容纳的错误匹配的数量是有实际限制的。

由于RANSAC算法本身依赖于随机估计的异常值删除。所以，RANSAC很少应用于最近邻匹配集中。;在现代城市建筑环境中，特征匹配的质量仍然不够。这表现为城市建筑中重复结构与周围相似结构匹配鲁棒性差的特点，从而造成破碎的重建。

RepMatch的灵感来自非常成功的向导匹配框架，在已知三维点的情况下，能够可靠地传播姿态

;

使用BF匹配和RANSAC离群去除组合作为特征匹配方案，从非常嘈杂的匹配中产生全局匹配一致性函数。虽然通常是准确的,BF易受重复结构的影响，容易引起大面积的错配。

对于重复结构问题，我们观察到，重复的结构往往包含微观纹理，这使得通过非常严格的BF参数获得一组可靠的匹配(通常严重褶皱)成为可能。

这些方法被用来训练带有嵌入极外约束的局部BF曲线，以验证周围区域的几何一致性匹配。

;;;BilateralFunctionsandMatchConsistency;RepMatch;;RepMatch大致的概述;(a)核心匹配，由于严格的BF阈值，Score可以可靠地恢复。

(b)用极线(位姿)进行几何验证。核心匹配可能是简化后的核心区域，不正确的姿态估计可能会丢弃正确的匹配点。因此，几何验证使用RANSAC搜索与核心区域匹配和每个子集之间的几何关系。这避免了正确的匹配点，但可能保留一些误匹配。

(c)通过局部BF曲线进行训练，可以去除剩余的误匹配点对，发现更多匹配。

(d)所有经过验证的匹配点对合并。;RepMatch匹配一致性的解释;匹配的扩张计划;匹配的扩张计划----核心区域棋盘匹配。;Experiments;实验部分;实验部分;实验部分;实验部分;实验部分;;总结;谢谢观看