14、密集非刚性运动结构中的形状先验研究

密集非刚性运动结构中的形状先验研究

1. 方法排名与误差分析

在相关研究中，我们的方法排名第三，仅次于GM和SMSR，且这三种最佳方法之间的差距较小。我们的m. RMSE与目前最准确的GM方法非常接近，尽管我们的CMDR方法是基于众所周知的原理设计的，在非线性最小二乘（NLLS）框架中有独特的融合和整合。

2. 自收敛和交叉收敛测试

2.1 缺失数据情况

缺失数据的比例在[1;99]%范围内变化。当缺失数据达到30%时，m. RMSE基本稳定；在四种情况中的三种里，即使缺失数据高达75%，m. QE也非常稳定。这表明通常较少的点就足以恢复相机姿态。在序列A的交叉收敛测试中，对于两种DSP生成方法（VA和SMSR），可识别出50%的阈值。超过该阈值后，m. QE的标准差逐渐增加，但CMDR除外，其m. QE在高达90%的缺失数据模式范围内保持稳定。

2.2 扰动轨迹情况

对于扰动数据，DSPR在[0.1;15]像素的均匀扰动范围内稳定且准确。在所有实验和测试案例中，m. RMSE的精度保持在同一水平，几乎不受扰动影响。相反，m. QE会受到扰动幅度增加的轻微影响，但在相机姿态估计方面没有明显的定性差异。与其他方法相比，这是一个显著的结果。例如，SMSR在处理扰动点轨迹时，随着扰动幅度的增加，点的散射效应越来越明显，在3像素时结构就几乎无法识别；当缺失数据超过23 - 25%时，SMSR无法重建出有意义的结构。而DSPR能处理超过25%的大量缺失数据，尽管精度下降2 - 3倍，但结构仍可识别，且相机姿态估计的精度仅受到轻微影响。

2.3 收敛模式

DSPR中的收敛模式指