【MIT】自监督几何感知，22页ppt，Self-supervised Geometric Perception

我们提出了自监督几何感知(SGP)，这是学习特征描述符进行对应匹配的第一个通用框架，无需任何地形图几何模型标签(例如，相机姿态，刚性变换)。我们的第一个贡献是将几何感知表述为一个优化问题，在给定大量视觉测量(如图像、点云)的情况下，将特征描述符和几何模型联合优化。在此优化公式下，我们发现视觉领域的两个重要研究方向，即鲁棒模型拟合和深度特征学习，对应于优化一个未知变量块，同时固定另一个未知变量块。这种分析自然引出了我们的第二个贡献——SGP算法，它执行交替最小化来解决联合优化。SGP迭代执行两种元算法:教师对已知特征进行鲁棒模型拟合以生成几何伪标签，而学生则在伪标签的噪声监督下进行深度特征学习。第三，我们将SGP应用于大型真实数据集上的两个感知问题，即MegaDepth上的相对摄像机姿态估计和3DMatch上的点云配准。我们证明了SGP达到了最先进的性能，与使用ground-truth标签训练的有监督的先知一样或更好。

https://hankyang.mit.edu/news/gave-invited-talk-imperial-college-london-self-supervised-geometric-perception