Hierarchy-GBP：通过抽象与恢复加速因子图推断
Hierarchy-GBP: Accelerating Factor Graph Inference via Abstraction and Recovery
精选理由
通过层级抽象与结果回投加速高斯置信传播，为大规模位姿图优化和束调整提供更快且有收敛保证的推理方法。
AI 摘要
arXiv:2610.06978v1 公告类型：交叉收录 摘要：高斯置信传播（GBP）是一种在图模型中传递消息的分布式推断算法，因此在可扩展空间智能领域颇具吸引力。然而，我们发现 GBP 在局部最为有效：它能迅速平滑相邻变量之间变化剧烈的消息误差，但对于跨越图中相距较远区域的全局误差，只能通过长距离消息传播逐步修正。我们提出 Hierarchy-GBP（H-GBP），这是一个加速 GBP 的两阶段迭代框架：首先利用粗粒度图近似求解这些全局误差（抽象），并将结果投影回原始图（恢复），随后利用 GBP 进一步修正剩余的局部误差。我们通过推导抽象与恢复步骤的组合矩阵算子并分析其谱半径，证明 H-GBP 收敛至最优解。在线性稀疏图上的实验表明，H-GBP 的收敛速度从根本上快于标准 GBP。此外，我们还在两个重要的空间问题上验证了 H-GBP：位姿图优化（PGO）和光束法平差（BA）。H-GBP 显著加速了大规模 PGO，并在所有测试的 BA 规模上均实现了当前最先进的运行时间表现。