DLOSAC: Joint Spatial-Geometric Image Estimation via Delaunay-Guided Local Optimization RANSAC
作者: Yu Liu, Meiqi Zhou, Zipei Fan, Guanyuan Feng, Xuan Song
分类: cs.CV
发布日期: 2026-10-15
备注: Accepted at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
💡 一句话要点
提出DLOSAC以解决噪声匹配点的几何估计问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 几何估计 RANSAC 局部优化 Delaunay三角剖分 空间分布 计算机视觉 噪声数据 模型优化
📋 核心要点
- 现有的几何估计方法在处理噪声匹配点时，往往依赖于残差，导致空间分布与几何一致性之间的优化脱节。
- DLOSAC通过构建Delaunay三角剖分，联合考虑几何一致性和空间分布信息，从而提高几何参数的估计质量。
- 在六个公开数据集上的实验表明，DLOSAC在三种几何估计任务中均实现了最先进的性能，显著提升了估计的准确性。
📝 摘要（中文）
从噪声匹配点中可靠地进行图像几何估计通常使用RANSAC，并结合局部优化来细化内点和模型参数。然而，现有方法主要集中于残差，且在强制空间均匀性方面的启发式尝试往往呈现出顺序的两阶段特性，导致分布优化与几何细化的脱节。本文提出DLOSAC，一个局部优化框架，联合考虑几何一致性和空间分布信息。我们通过构建Delaunay三角剖分来显式编码邻域拓扑，几何模块引入基于边的相似度度量来评估几何误差，而空间模块则通过三角形面积和边属性导出分布描述符以量化内点的聚类。最后，我们结合边基几何约束、空间分布正则化和传统的点级几何约束来提高几何参数的质量。对六个公开的真实世界数据集进行的广泛实验显示出该方法的先进性能。
🔬 方法详解
问题定义：本文旨在解决从噪声匹配点中进行可靠的图像几何估计的问题。现有方法主要集中于残差，导致空间分布与几何一致性优化之间的脱节，影响了估计的准确性。
核心思路：DLOSAC的核心思路是通过构建Delaunay三角剖分来编码邻域拓扑，结合几何一致性和空间分布信息，从而实现更有效的几何参数估计。
技术框架：DLOSAC的整体架构包括三个主要模块：几何模块、空间模块和结合模块。几何模块使用边基一致性度量评估几何误差，空间模块通过三角形面积和边属性导出分布描述符，结合模块则将这两者的约束结合起来。
关键创新：DLOSAC的创新点在于将几何一致性和空间分布信息联合优化，而不是像传统方法那样分开处理。这种设计使得模型在处理噪声数据时更为鲁棒。
关键设计：在关键设计上，DLOSAC采用了边基的几何约束和空间分布正则化，结合传统的点级几何约束，确保了几何参数的高质量估计。
🖼️ 关键图片
📊 实验亮点
在六个公开数据集上的实验结果显示，DLOSAC在三种几何估计任务中均实现了最先进的性能，相较于基线方法，几何参数的估计准确性提升了显著的百分比，验证了其有效性和鲁棒性。
🎯 应用场景
该研究的潜在应用领域包括计算机视觉、机器人导航和三维重建等。通过提高几何估计的准确性，DLOSAC能够在自动驾驶、增强现实等实际场景中发挥重要作用，未来可能推动相关技术的进一步发展。
📄 摘要（原文）
Reliable image geometric estimation from noisy matching points is typically addressed using RANSAC, often combined with local optimization to refine inliers and model parameters. However, existing paradigms are predominantly residual-centric; even heuristic attempts to enforce spatial uniformity suffer from a sequential, two-stage nature that inherently decouples distribution optimization from geometric refinement, preventing an effective trade-off. In this paper, we propose DLOSAC, a local optimization framework that jointly incorporates both geometric consistency and spatial distribution information. We begin by constructing a Delaunay triangulation over candidate inliers to explicitly encode neighborhood topology. The geometric module introduces an edge-based consistency metric to evaluate geometric errors, while the spatial module derives distribution descriptors from triangle areas and edge attributes to quantify the clustering of inliers. Finally, we combine edge-based geometric constraints, spatial distribution regularization, and traditional point-level geometric constraints to improve the quality of geometric parameters. Extensive experiments on six publicly available real-world datasets, covering three types of geometric estimation tasks, achieve state-of-the-art performance.