仅 2M 参数的 GNN 学会捆绑调整,DeepBA 冷启动超越已有学习型 SfM
Singularitarian · x · 2026-11-18
TUM 团队发布预印本 Deep Bundle Adjustment (DeepBA):一个仅 204 万参数的图神经网络,能从任意数量视角的 2D 匹配中恢复相机位姿、内参与场景结构。
- 方法:把传统 SfM 中逐场景求解的非线性最小二乘问题,摊销到一个学习型图网络里,用几何残差迭代精化估计;经典方法需要精细初始化,DeepBA 可从零冷启动收敛。
- 训练:采用尺度不变监督(真值旋转、平移方向、内参 + 重投影自洽),不同度量单位的数据集可直接混训,无需逐场景归一化。
- 结果:与匹配点学习型 SfM 相比,在场景重建和多数位姿指标上更优;中等精度阈值下与经典 SfM 相当,视角数增多时运行时间反超;以极小参数量逼近 VGGT(约 12 亿参数)这类单体 image-to-geometry 模型,且模块化更好、与匹配器解耦。
「研究」频道最新
- RFD4-Proteina 蛋白设计工具开放在线 GUI,手机浏览器也能跑 — AllThingsApx · 2026-11-18
- TUM 团队 Deep Bundle Adjustment:模型小 590 倍,3D 重建无需初始化 — Singularitarian · 2026-11-18
- Argon 开源多材质物理引擎 Alloy:一块 GPU 跑数千并行世界 — ycombinator · 2026-11-18
- Zyphra 将次二次注意力 ZHA 扩到万亿参数开源模型,长上下文提速 9-60 倍 — realmrfakename · 2026-11-18
- 从 Kolmogorov 复杂度到 AIXI:不可计算性或是智能与意识的共同底色 — JensHonack · 2026-11-18
- BAIO 推出 AI×生物 101 图解指南:覆盖蛋白设计与虚拟细胞 — DrMorganLevine · 2026-11-18