Two-view motion segmentation with semi-calibrated cameras via hypothesis filtering

Two-view motion segmentation, the task of partitioning sparse correspondences into multiple rigid motions, is inherently challenging in a purely uncalibrated setting. Standard approaches often treat motion models as independent geometric entities, which neglects a strong geometric prior available in many practical scenarios: images are often acquired by a single sensor with constant, albeit unknown, intrinsic parameters. In this paper, we address this problem by operating in a semi-calibrated regime. We propose a robust adaptation of the T-Linkage algorithm, a preference-based clustering method, by introducing a motion hypothesis filtering step based on focal length estimation. Instead of relying on all generated candidate motions, we exploit the constant-intrinsics assumption to identify and discard geometrically inconsistent models before the clustering phase. Extensive experiments on the HOPE-F and AdelaideRMF benchmarks demonstrate that leveraging this semi-calibrated constraint significantly improves segmentation accuracy compared to the uncalibrated baseline.

La segmentazione del movimento a due viste, ovvero il compito di partizionare corrispondenze sparse in molteplici moti rigidi, risulta intrinsecamente complessa in uno scenario puramente non calibrato. Gli approcci standard trattano spesso i modelli di moto come entità geometriche indipendenti, trascurando un forte prior geometrico disponibile in molti scenari pratici: le immagini sono frequentemente acquisite da un singolo sensore con parametri intrinseci costanti, seppur ignoti. In questo articolo, affrontiamo tale problema operando in un regime semi-calibrato. Proponiamo un adattamento robusto dell'algoritmo T-Linkage, un metodo di clustering basato sulle preferenze, introducendo una fase di filtraggio delle ipotesi di moto basata sulla stima della lunghezza focale. Invece di affidarci alla totalità dei moti candidati generati, sfruttiamo l'ipotesi di parametri intrinseci costanti per identificare e scartare i modelli geometricamente incoerenti prima della fase di clustering. Ampi esperimenti condotti sui benchmark HOPE-F e AdelaideRMF dimostrano che l'utilizzo di questo vincolo semi-calibrato migliora significativamente l'accuratezza della segmentazione rispetto alla baseline non calibrata.