CSS-BA: Gate-Guided Column Space Search for Bundle Adjustment

📄 arXiv: 2607.15652 📥 PDF

作者: Ayano Kaneda, Takafumi Taketomi, Shugo Yamaguchi, Shigeo Morishima

分类: cs.CV

发布日期: 2026-07-20

💡 一句话要点

提出Gate-Guided CSS-BA以解决低视差下的束调整问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 束调整 3D重建 计算机视觉 几何感知 优化算法 机器人导航 增强现实

📋 核心要点

  1. 现有的束调整方法在低视差和近旋转场景中表现不佳，导致姿态和标定估计不可靠。
  2. 本文提出的Gate-Guided CSS-BA通过几何感知的低维子空间约束，稳定了Schur-LM的更新过程。
  3. 实验结果显示，该方法在弱几何场景中优化更稳定，相对姿态精度提高，并保持了良好的重投影质量。

📝 摘要（中文）

束调整（BA）仍然是基于图像的3D重建中的关键优化模块，能够在学习型管道中提高几何精度。然而，在低视差和近旋转的情况下，经典的Schur-LM方法往往变得病态，导致姿态和标定估计不可靠。本文提出了Gate-Guided CSS-BA，这是一种对Schur-LM的求解器侧修改，保持了经典BA目标和信任区域框架，同时将每次更新限制在几何信息驱动的低维子空间内。通过将列空间搜索（CSS）与几何感知门控相结合，该方法在不改变估计问题的情况下稳定了Schur-LM更新。与关键帧或状态选择方法不同，所有相机和点参数仍然保留在优化问题中，仅限制更新方向。实验结果表明，该方法在通用和具有挑战性的弱几何场景中实现了更稳定的优化、提高了相对姿态精度，并在重投影质量方面表现出竞争力。

🔬 方法详解

问题定义：本文旨在解决在低视差和近旋转情况下，经典束调整方法（如Schur-LM）变得病态的问题。这种情况导致姿态和标定估计的不可靠性，影响了3D重建的精度。

核心思路：论文提出的Gate-Guided CSS-BA方法通过引入几何感知的低维子空间约束，保持了经典束调整的目标和信任区域框架，从而稳定了更新过程。此设计旨在在不改变优化问题的前提下，提升求解的稳定性和准确性。

技术框架：该方法的整体架构包括对Schur-LM的修改，主要模块包括几何感知门控和列空间搜索（CSS）。在每次迭代中，更新方向被限制在几何信息驱动的低维子空间内，从而提高了优化的稳定性。

关键创新：最重要的技术创新在于将几何感知的低维子空间约束与Schur-LM结合，形成Gate-Guided CSS-BA。这一创新使得所有相机和点参数仍然参与优化，而仅限制更新方向，从而与传统的关键帧或状态选择方法本质上不同。

关键设计：在方法实现中，关键设计包括如何定义几何感知的低维子空间，以及在更新过程中如何有效地应用列空间搜索（CSS）技术。这些设计确保了在保持优化问题完整性的同时，能够有效地提高更新的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Gate-Guided CSS-BA在弱几何场景中的优化过程更加稳定，相对姿态精度提高了显著的幅度，并且在重投影质量方面与现有基线方法相比表现出竞争力。这些结果表明该方法在实际应用中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括计算机视觉、机器人导航和增强现实等。通过提高束调整的稳定性和准确性，Gate-Guided CSS-BA可以在实际的3D重建和定位任务中发挥重要作用，特别是在复杂环境下的应用场景中。未来，该方法有望推动更高效的图像处理和三维建模技术的发展。

📄 摘要（原文）

Bundle adjustment (BA) remains a critical refinement module for image-based 3D reconstruction and continues to improve geometric accuracy even in learning-based pipelines. However, in low-parallax and near-rotational regimes, classical Schur-based Levenberg--Marquardt (LM) often becomes ill-conditioned and yields unreliable pose and calibration estimates. We propose Gate-Guided CSS-BA, a solver-side modification of Schur-LM that preserves the classical BA objective and trust-region framework while constraining each update to a geometrically informed low-dimensional subspace. By integrating Column Space Search (CSS) with geometry-aware gating, the method stabilizes the Schur-LM update without altering the estimation problem. In contrast to keyframe or state-selection approaches, all camera and point parameters remain in the optimization problem; only the update direction is restricted. The method serves as a drop-in replacement for existing BA pipelines. Experiments on both generic and challenging weak-geometry scenarios show more stable optimization, improved relative pose accuracy, and competitive calibration behavior while maintaining reprojection quality.