扩散引导采样提升鲁棒估计效率
原文：DiffSAC: Diffusion-guided Sampling for Consensus-based Robust Estimation
稳健估计是计算机视觉的核心任务，通常采用采样一致性方法解决。然而，传统方法采样效率低下，因为它们难以在假设评估之前识别有效的最小集。为应对这些挑战，我们提出了一种新颖的扩散引导采样用于基于一致性的稳健估计框架。DiffSAC引入扩散模型来学习有效最小集的分布。它对每个数据点的置信度进行精细化，判断其是否属于一个优质最小集，而非像以往工作那样对数据点进行排序。这显著减少了对大量劣质集合的处理需求。为约束精细化方向，我们在扩散模型中以几何特征作为条件。因此，DiffSAC输出少量高质量的最小集，使得通过一致性评估识别最佳假设成为可能。值得注意的是，与以往需要评估上万个假设的工作相比，DiffSAC仅需数十个假设即可达到最先进的性能，显著提升效率。在五个经典计算机视觉任务上的大量实验证明了DiffSAC的优越性。扩散模型的采样加速器使其能够实时运行，且DiffSAC可作为即插即用模块用于改进现有的采样一致性方法。作者：Chang Nie, Guangming Wang, Zhe Liu, Hesheng Wang 分类：cs.CV,cs.AI