Jiwoo Kim
← Paper & Theory Reviews

PAPER REVIEW / 3 PARTS

Graduated Non-Convexity

쉬운 문제에서 시작해, 이상치에 강건한 추정으로.

Review notes by Jiwoo Kim · 한국어

Figure 3 panels d, e, and f: mesh correspondences, successful GNC-TLS registration, and incorrect RANSAC registration
Fig. 3(d–f). 잘못된 대응점이 섞인 mesh registration: (d) 대응점, (e) GNC-TLS의 정합 결과, (f) RANSAC의 잘못된 정합 결과. 논문의 해당 실험 예시입니다.Source: Heng Yang et al., RA-L 2020

읽고 있는 논문

Graduated Non-Convexity for Robust Spatial Perception: From Non-Minimal Solvers to Global Outlier Rejection
Heng Yang, Pasquale Antonante, Vasileios Tzoumas, Luca Carlone
IEEE Robotics and Automation Letters (RA-L), 2020.

Robust cost가 도입하는 비볼록성을 어떻게 다룰 수 있을까요? 이 시리즈는 논문의 핵심인 Black–Rangarajan Duality와 GNC를 연결해, 측정값의 가중치를 갱신하면서 점진적으로 robust한 문제를 푸는 과정을 따라갑니다. GNC 자체가 모든 문제에서 전역 최적해를 보장하는 것은 아니라는 점도 함께 구분해 읽습니다.

시리즈 읽기

  1. 01

    PART 1

    Robust Estimation의 출발점

    Robust estimation의 출발점. 이상치가 least squares에 미치는 영향과 robust kernel이 필요한 이유를 정리합니다.

  2. 02

    PART 2

    Black–Rangarajan Duality

    Black–Rangarajan Duality를 통해 robust estimation을 weighted least squares와 outlier process로 다시 바라봅니다.

  3. 03

    PART 3

    GNC와 Continuation

    쉬운 문제에서 시작해 robust한 해로. Geman–McClure surrogate와 continuation으로 GNC 알고리즘을 이해합니다.