本文提出了一种快速、稳健的方法,利用包含地面水平线和垂直消失点等基础几何信息的单张图像进行透视矫正,并且使用合适的神经网络模型进行训练和预测,从而达到了全球最好的水平线检测性能(AUC 值为 74.52%)。该方法可以应用于实时视频透视矫正。
May, 2019
海平面线检测在海洋自主导航任务中起着重要作用,本研究提出了第一个公共注释软件,使海洋海平面线注释过程变得快速且简单。
Sep, 2023
本文提出了一种在人工环境中检测水平消失点和天顶消失点的新方法,利用深度卷积网络提取全局图像上下文,并逆转现有方法的先后顺序,通过提出一组地平线候选者并针对其包含的消失点对其进行打分,而非先找到候选消失点再通过强制互相正交来消除异常值。我们在三个基准数据集上评估了我们的方法,并在每个数据集上均取得了最好的性能,同时我们的方法明显快于之前最好的方法。
Aug, 2016
文章提出了使用 Line-Transformers 来解决视觉几何问题,这种方法既能够处理变长的线条特征,又能够有效提取线条的几何属性,以提高特征匹配和对视觉定位的准确性。
Sep, 2021
介绍了 OmniHorizon 数据集,包含广泛的室内外空间,包括建筑、街道和各种植被,也考虑了动态场景组件,还演示了基于相应数据集的学习合成到真实的跨域推理方法。提出了 UBotNet 架构来估计场景一致性法线,UBotNet 在深度和法线估计上比几个现有的网络(如带跳过连接的 U-Net)显著提高了准确性。最后在真实世界图像上演示了 UBotNet 的深度和法线估计,展示了所提议的数据集和网络在场景理解方面的潜力。
Dec, 2022
介绍了一种利用 2D-3D 线条几何的轻量级而准确的定位方法,通过全景视图来定位,避免了训练或手工制作视觉描述符,提取线条关系中的主导方向和非平行线条的交点等以表达独特而紧凑的空间上下文,其结果表示与传统视觉描述符方法相比,处理时间和内存上更加高效;验证了该方法在具有相似结构、领域转变或光照变化的挑战性场景中的定位效果;由于是完全几何的方法,无需进行庞大的参数调整或神经网络训练,因此具有实际应用价值,可以直接部署在实际世界中。
Mar, 2024
本文提出一种利用 Hough 变换将深度学习特征转换为参数化域进行线条检测的方法,可提取上下文特征并比现有方法的性能更优。
Mar, 2020
通过训练卷积神经网络,我们针对自然场景中的路面图像进行了消失点预测,并与文献中经典的消失点检测方法进行了比较。结果显示,我们的方法能够更有效地预测消失点。
Sep, 2016
我们使用轮廓检测来解决自然景观场景中缺乏强边缘的问题,该方法能够检测出主导消失点和相关线结构,以实现对线性透视在风景摄影中的自动理解。我们的方法明显优于最先进的方法,并通过一种新颖的视点特定图像检索系统,进一步展示了我们的线性透视理解方法如何为业余摄影师提供现场指导。
我们提出了一个神经几何解析器,通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法,我们的方法同时考虑了语义和几何提示,从而显著提高了准确性。
Jul, 2020