重新审视归一化的八点算法和自监督深度解决方案。

​

A Revisit to the Normalized Eight-Point Algorithm and A Self-Supervised
Deep Solution

解决问题：本篇论文旨在探讨在两视图几何计算中，是否存在其他规范化方法能够进一步提高性能，并提出了一种新的方法。这是一个新的问题。

关键思路：本文提出了一种基于深度卷积神经网络的自监督学习策略，用于规范化。通过给定八对对应点，网络直接预测规范化矩阵，从而学习规范化每个输入样本。相比当前领域的研究，该论文的思路具有创新性。

其他亮点：本文实验设计充分，使用了合成和真实图像，展示了该方法的有效性。该学习模块可以与传统方法（例如RANSAC）和深度学习框架相结合，具有良好的可解释性。作者来自多个机构，其中的值得关注的亮点需要根据数据库进行介绍。

关于作者：主要作者Bin Fan、Yuchao Dai、Yongduek Seo、Mingyi He均来自不同机构，需要根据数据库介绍他们之前的代表作。

相关研究：近期其他相关的研究包括：

1. “Deep Image Homography Estimation” by DeTone et al.，作者来自Facebook AI Research。
2. “Learning to Find Good Correspondences” by Han et al.，作者来自麻省理工学院计算机科学与人工智能实验室。

论文摘要：本文讨论了在双视角几何计算中广泛使用的标准化八点算法，该算法是基于Hartley的标准化方法对直接线性变换算法（DLT）进行改进的。一个自然的问题是，是否存在其他标准化方法，并且如何找到这些方法以进一步提高性能。本文提供了一种新的视角，并对这个基本问题做出了两个贡献：1）重新审视了标准化八点算法，并通过理论分析表明存在不同且更好的标准化算法；2）提出了一种具有自我监督学习策略的深度卷积神经网络，用于标准化。给定八对对应点，我们的网络直接预测标准化矩阵，从而学习标准化每个输入样本。我们的基于学习的标准化模块可以与传统方法（例如RANSAC）和深度学习框架（具有良好的可解释性）相结合，而且工作量很小。在合成和真实图像上进行的大量实验表明了我们提出的方法的有效性。

​Read More